veri madenciliği süreci kullanılarak portföy performansının

advertisement
T.C.
SÜLEYMAN DEMİREL ÜNİVERSİTESİ
SOSYAL BİLİMLER ENSTİTÜSÜ
İŞLETME ANABİLİM DALI
VERİ MADENCİLİĞİ SÜRECİ KULLANILARAK PORTFÖY
PERFORMANSININ DEĞERLENDİRİLMESİ VE İMKB
HİSSE SENETLERİ PİYASASINDA BİR UYGULAMA
DOKTORA TEZİ
ENGİN KÜÇÜKSİLLE
TEZ DANIŞMANI: PROF.DR.DURMUŞ ACAR
ISPARTA, 2009
ii
ÖZET
VERİ MADENCİLİĞİ SÜRECİ KULLANILARAK PORTFÖY
PERFORMANSININ DEĞERLENDİRİLMESİ VE İMKB HİSSE
SENETLERİ PİYASASINDA BİR UYGULAMA
Engin KÜÇÜKSİLLE
Süleyman Demirel Üniversitesi
Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı,
Doktora Tezi, 118 sayfa, Mart 2009
Danışman: Prof. Dr. Durmuş ACAR
Bu çalışmada, portföy kavramı üzerinde durulmuş ve veri madenciliği süreci
kullanılarak 1995 – 2007/06 döneminde İstanbul Menkul Kıymetler Borsası’nda
(İMKB) sürekli işlem gören 122 şirketin hisse senetlerinden, Sharpe, Jensen, Treynor
portföy performans ölçütleri kullanılarak farklı portföyler oluşturulmuştur. Ardından,
bu ölçütlere göre ortaya çıkan portföylerin performansları, aynı dönemin ve 2007/07
– 2008/12 döneminin piyasa (İMKB Ulusal 100 endeksi) performanslarıyla
karşılaştırılmıştır.
Çalışmanın temelinde portföyün veri madenciliği süreci ile de
oluşturulabileceği düşünülmüş ve İMKB hisse senetleri piyasasında uygulama
yapılmıştır.
Bu doğrultuda İMKB’de hisse senetleri işlem gören 122 adet işletmenin 1995
– 2007/06 dönemindeki aylık ortalama getirileri kullanılarak genetik algoritma
yardımıyla farklı portföyler oluşturulmuştur ve şu sonuca ulaşılmıştır. Bu dönem
içinde 122 şirketin hisse senetlerinden oluşturulabilecek farklı portföylerin Sharpe,
Treynor ve Jensen performansları piyasanın (İMKB Ulusal 100 endeksi) üzerinde
gerçekleşmiştir. Bunun temel nedeni, bu dönem içerisinde piyasanın risksiz faiz
oranının altından getiri sağlamasıdır. Aynı portföyler 2007/07 – 2008/12 döneminde
ise piyasanın altında performans göstermişlerdir.
Anahtar Kelimeler: Portföy, Veri Madenciliği, Genetik Algoritma, Performans
Ölçüleri
iii
ABSTRACT
THE EVALUATION OF PORTFOLIO PERFORMANCE BY USING DATA
MINING PROCESS AND AN APPLICATION IN ISE STOCKS MARKET
Engin KÜÇÜKSİLLE
Süleyman Demirel University
Social Science Institute, Department of Business Administration,
Ph.D., 118 pages, March 2009
Supervising Professor: Durmuş ACAR
In this study, it has been mentioned the portfolio concept and formed
different portfolios by using data mining process and Sharpe, Treynor and Jensen
portfolio performance measures from 122 different stocks which were traded in
Istanbul Stock Exchange (ISE) in the period of 1995 – 2007/06 permanently.
Following, the performances of the portfolios’ formed by using data mining process
has been compared with the performance of the market (ISE National 100 Indices) in
the same period and the period of 2007/07 – 2008/12.
In the base of this study, it has been thought that a portfolio could be formed
by using data mining process and made an application in ISE Stock Market.
In the application process, it has been formed different portfolios by using
genetic algorithm and the average monthly return of 122 different companies’ stocks
in the period of 1995 – 2007/06. The result of the application is the following: The
Sharpe, Treynor and Jensen performances of the different portfolios were higher than
the market did. That is why the average monthly return of the market is lower than
the risk free rate in this period. However these portfolios showed lower performance
than the market in the period of 2007/07 – 2008/12.
Key Words: Portfolio, Data Mining, Genetic Algorithms, Performance Measures
iv
İÇİNDEKİLER
ÖZET………………………………………………………………………………....... ii
ABSTRACT…………………………………………………………………………… iii
İÇİNDEKİLER……………………………………………………….. ……………….iv
KISALTMALAR DİZİNİ……………………………………………..…………….. vii
ŞEKİLLER DİZİNİ……………………………………………………..…………... viii
ÇİZELGELER DİZİNİ………………………………………………………………. ..ix
BİRİNCİ BÖLÜM
1. Giriş ................................................................................................................................ 1
1.1. Çalışmanın Konusu ................................................................................................. 1
1.2. Çalışmanın Amacı ................................................................................................... 3
1.3. Çalışmanın Önemi ................................................................................................... 3
İKİNCİ BÖLÜM
2. Genel Olarak Portföy ve Portföy Yönetimi ................................................................... 6
2.1. Portföy Kavramı ...................................................................................................... 6
2.2. Portföy Yönetimi Kavramı ve Portföy Yönetimi Yaklaşımları .............................. 8
2.2.1. Geleneksel Portföy Yönetim Yaklaşımı .......................................................... 8
2.2.2. Modern Portföy Yaklaşımı............................................................................... 9
2.3. Portföy Oluşturmada Risk ve Beklenen Getiri Unsurları ..................................... 12
2.3.1. Portföy Riski .................................................................................................. 13
2.3.2. Portföyün Beklenen Getirisi........................................................................... 17
2.4. Portföy Performansının Değerlendirilmesi ........................................................... 18
2.4.1. Sharpe Oranı .................................................................................................. 19
2.4.2. Treynor Performans Ölçüsü ........................................................................... 20
2.4.3. Jensen Performans Ölçüsü ............................................................................. 22
2.4.4. Diğer Portföy Performans Değerleme Yöntemleri ........................................ 23
ÜÇÜNCÜ BÖLÜM
3.Veri Madenciliği ........................................................................................................... 28
3.1. Veri Madenciliği Süreci ........................................................................................ 31
3.1.1.İşin Kavranması .............................................................................................. 32
3.1.2.Verinin Kavranması ........................................................................................ 33
3.1.3.Verinin Hazırlanması ...................................................................................... 33
3.1.4.Modelleme ...................................................................................................... 34
3.1.5.Değerlendirme ................................................................................................. 34
3.1.6.Yayılım............................................................................................................ 35
3.2. Veri Madenciliği Teknikleri.................................................................................. 35
3.2.1. Kümeleme ...................................................................................................... 36
3.2.2. Birliktelik Kuralı ........................................................................................... 37
3.2.3. Sınıflama ve Regresyon ................................................................................. 38
3.2.3.1. Karar Ağaçları ......................................................................................... 38
3.2.3.2. Yapay Sinir Ağları .................................................................................. 40
v
3.2.3.3. Gemetik Algoritmalar ................................................................................. 41
3.2.3.4. Tahminleme Modelleri ................................................................................ 41
3.2.3.5. Zaman Serilerindeki Örüntü........................................................................ 42
3.3. Veri Madenciliğinin Uygulama Alanları .............................................................. 42
DÖRDÜNCÜ BÖLÜM
4. Genetik Algoritmalar ................................................................................................... 46
4.1. Genetik Algoritma Kavramı .................................................................................. 46
4.2. Genetik Algoritmaların Çalışma Süreci ................................................................ 48
4.2.1. Gösterim (Kodlama) ...................................................................................... 49
4.2.2. Başlangıç Popülasyonunun Oluşturulması ..................................................... 50
4.2.3. Uyum Değeri .................................................................................................. 50
4.2.4. Seçim .............................................................................................................. 51
4.2.5. Genetik Operatörler........................................................................................ 51
4.2.5.1.Çaprazlama ............................................................................................... 51
4.2.5.2.Mutasyon .................................................................................................. 53
4.2.6. Uygunluk Değerinin Hesaplanması ............................................................... 54
4.2.7. Bitiş Koşulu Kontrolü .................................................................................... 54
4.2.8. Sonucun Elde Edilmesi .................................................................................. 54
4.3. Genetik Algoritmaların Uygulama Alanları.......................................................... 54
4.3.1 Genel Uygulama Alanları ............................................................................... 55
4.3.1.1.Optimizasyon ........................................................................................... 55
4.3.1.2.Otomatik Programlama ve Bilgi Sistemleri ............................................. 56
4.3.2 İşletmelerdeki Uygulama Alanları .................................................................. 56
4.3.2.1.Finans ....................................................................................................... 56
4.3.2.2.Pazarlama ................................................................................................. 57
4.3.2.3.Üretim ...................................................................................................... 58
BEŞİNCİ BÖLÜM
5. Uygulama ..................................................................................................................... 59
5.1. İşin Kavranması .................................................................................................... 59
5.2. Verinin Kavranması .............................................................................................. 59
5.3. Verinin Hazırlanması ............................................................................................ 59
5.4. Modelleme............................................................................................................. 64
5.5. Değerlendirme ....................................................................................................... 68
5.6. Yayılım.................................................................................................................. 83
SONUÇ ............................................................................................................................ 84
KAYNAKÇA ................................................................................................................... 88
EKLER ............................................................................................................................. 94
EK-1 Programa Ait Kodlar ......................................................................................... 94
EK-2 1995 – 2008 Bankaların Yıllık Ortalama Mevduat Faizi Oranları (Risksiz
Faiz Oranları) ............................................................................................................. 112
vi
EK-3 Portföylere Seçilebilecek Hisse Senetlerinin ve İMKB 100 Bileşik
Endeksinin 1995 – 2007/06 Dönemindeki Aylık Ortalama Getiri Oranları ve Beta
Katsayları ................................................................................................................... 113
EK-4 Portföylere Seçilen Hisse Senetlerinin ve İMKB 100 Bileşik Endeksinin
2007/07 – 2008/12 Dönemindeki Aylık Ortalama Getiri Oranları ve Beta
Katsayları ................................................................................................................... 116
ÖZGEÇMİŞ ................................................................................................................. 118
vii
KISALTMALAR DİZİNİ
a.g.e.
:
Adı Geçen Eser
a.g.m.
:
Adı Geçen Makale
a.g.t.
:
Adı Geçen Tez
BSE
:
Bombay Stock Exchange
CART
:
Classification and Regression Trees
CHAID
:
Chi-Square Automatic Interaction Detector
CMIE
:
Centre for Monitoring Indian Economy
CML
:
Capital Market Line
COV
:
Covariance
CRISP-DM
:
Çapraz Endüstri Veri Madenciliği Standart Süreci
ÇDA
:
Çoklu Diskriminant Analizi
DTH
:
Döviz Tevdiat Hesabı
FVFM
:
Finansal Varlık Fiyatlama Modeli
FX
:
Foreign Exchange
GA
:
Genetik Algoritma
İMKB
:
İstanbul Menkul Kıymetler Borsası
KOBİ
:
Küçük ve Orta Büyüklükte İşletme
MAPE
:
Mean Absolute Percentage Error
MAR
:
Minimal Acceptable Return
MSPE
:
Mean Square Percentage Error
RMSE
:
Root Mean Squared Error
SPDY
:
Sharpe Performans Değerleme Yöntemi
S&P
:
Standard & Poor's
SPD
:
Sermaye Piyasası Doğrusu
TPDY
:
Treynor Performans Değerleme Yöntemi
USA
:
United States of America
VM
:
Veri Madenciliği
Üni.
:
Üniversite
Vol.
:
Volume
Yay.
:
Yayınları
YSA
:
Yapay Sinir Ağları
viii
ŞEKİLLER DİZİNİ
Sayfa
No
Şekil 2.1.
Sharpe Performans Ölçüsüne Göre Portföylerin Karşılaştırılması… 20
Şekil 2.2.
Şekil 3.1.
Treynor
Performans
Ölçüsüne
Göre
Portföylerin
Karşılaştırılması ………………………………………………
Jensen Portföy Performans Ölçüsüne Göre Portföylerin
Karşılaştırılması ………………………………………………...
CRISP-DM Veri Madenciliği Süreci……………………………
Şekil 5.1.
Proje İçin Tasarlanan Veri Tabanı………………………………
64
Şekil 5.2.
Uygulamada kullanılan kromozomun genel yapısı……………..
65
Şekil 5.3.
Örnek bir kromozom yapısı……………………………………..
65
Şekil 5.4.
Sharpe Performans Ölçüsü Hesaplamasının Program Görünümü
69
Şekil 5.5.
Treynor Performans Ölçüsü Hesaplamasının Program
Görünümü……………………………………………………….
Jensen Performans Ölçüsü Hesaplamasının Program Görünümü
72
75
Şekil 2.3.
Şekil 5.6.
21
23
32
ix
ÇİZELGELER DİZİNİ
Çizelge 3.1.
Veri Madenciliğinin Kullanım Süreci…………………………..
Sayfa
No
30
Çizelge 4.1.
Genetik Algoritmaların Çalışma Adımları……………………...
48
Çizelge 5.1.
10, 15 ve 25 Hisse Senedinden Oluşan Portföylerin SHARPE
Performansları
ve
Aylık
Ortalama
Getirileri…………………………………………………………
10, 15 ve 25 Hisse Senedinden Oluşan Portföylerin TREYNOR
Performansları
ve
Aylık
Ortalama
Getirileri…………………………………………………………
10, 15 ve 25 Hisse Senedinden Oluşan Portföylerin JENSEN
Performansları
ve
Aylık
Ortalama
Getirileri…………………………………………………………
1995 – 2007/6 Döneminde Oluşturulan Portföyün 2007/07 –
2008/12 dönemindeki Sharpe Performansı ve Piyasa
Performansıyla Kıyaslaması…………………………………….
1995 – 2007/6 Döneminde Oluşturulan Portföyün 2007/07 –
2008/12 dönemindeki Treynor Performansı ve Piyasa
Performansıyla Kıyaslaması…………………………………….
Çizelge 5.2.
Çizelge 5.3.
Çizelge 5.4.
Çizelge 5.5.
Çizelge 5.6. 1995 – 2007/6 Döneminde Oluşturulan Portföyün 2007/07 –
2008/12 dönemindeki Jensen Performansı ve Piyasa
Performansıyla Kıyaslaması……………………………….
70
73
76
78
80
82
1
BİRİNCİ BÖLÜM
1. GİRİŞ
1.1.Çalışmanın Konusu
Bireysel ve kurumsal yatırımcılar ellerindeki fonları değerlendirmek amacıyla bir
takım yatırım araçlarına yönelirler. Genel olarak bu yatırım araçlarından oluĢan gruba
“portföy” denilmektedir. Portföy kavramı piyasalardaki yatırım araçlarının çeĢitleri ve
sayıları arttıkça daha da karmaĢık bir hal almıĢ ve üzerine birçok araĢtırma yapılan bir
konu haline gelmiĢtir. Bunun sonucunda optimal portföy oluĢturulması üzerine bir çok
portföy yönetimi yaklaĢımı ortaya çıkmıĢtır. Bu yaklaĢımlardan geleneksel portföy
yönetim yaklaĢımında menkul kıymetler arası iliĢkiye dikkat edilmeden aĢırı
çeĢitlendirmeye gidilerek portföyün riski azaltılmaya çalıĢılarak portföy oluĢturulurken,
modern portföy yaklaĢımında ortalama-varyans modeliyle menkul kıymet seçimi
yapılarak portföy oluĢturulmaktadır.
Her iki yaklaĢımın amacı, yatırımcının yatırımından sağlayacağı faydayı
maksimum yapmaktır. Bu yaklaĢımlara göre yatırımcının risk tercihlerini minimum ve
getiriye iliĢkin fayda tercihlerini maksimum yapacak bir portföyü seçeceği kabul
edilmektedir. Markowitz‟in çalıĢması portföy yönetimine çeĢitli katkılar sağlamıĢtır: Bu
katkıların birincisi, aynı getiriyi sağlayan portföylerden riski düĢük olan portföyün, aynı
risk düzeyindeki portföylerden de getirisi en yüksek portföyün tercih edilmesi gereğidir.
Yatırımcı en yüksek beklenen getiri ve en düĢük risk düzeyini gösteren etkin sınır
üzerinde kendi risk düzeyine göre bir portföy bileĢimi oluĢturabilmektedir. Ġkincisi,
uygun bir çeĢitlendirme ile portföyün riski portföyü oluĢturan menkul kıymetlerin
riskinden daha düĢük olabilmekte, hatta risk yok edilebilmektedir. Bu nedenledir ki
birbirleriyle
yüksek
korelasyon
konulmasından kaçınılmaktadır.
içinde
bulunan
menkul kıymetlerin
portföye
2
Menkul kıymet sayısındaki artıĢın, optimal portföylerin beklenen getirisi ve
varyansının belirlenmesinde neden olduğu zorluklar da Sharpe‟in geliĢtirdiği Tek Ġndeks
Modeli ve Perold‟ın Çoklu Endeks Modelleri ile aĢılmıĢtır. Ortalama – varyans modeli
üzerindeki çalıĢmalar modelin hem matematiksel, hem de mantıksal bir uzantısı olan
Finansal Varlıkları Fiyatlandırma Modelini (FVFM) ortaya çıkarmıĢtır. Sharpe, Lintner
ve Mossin Markowitz‟in etkin sınırından hareketle risksiz bir finansal varlığı modele
ilave etmiĢlerdir.
Portföy yönetimiyle ilgili yaklaĢımlarda matematiksel model kurmanın ve bu
modeller ile ilgili kısıtları tanımlamanın zor ve çok fazla zaman alması nedeni ile son
zamanlarda yapay zeka yöntemleri daha fazla kullanılır hale gelmiĢtir. Bu yöntemlerden
bir tanesi de veri madenciliği sürecidir. Teknolojinin hızlı geliĢimi ile birlikte hem bilgi
depolama maliyetlerinin azalması hem de bilgisayarların hızlanması veri madenciliği
sürecinin uygulamalardaki kullanımını artırmıĢtır ve artırmaya da devam etmektedir.
Veri madenciliği sürecinin modelleme aĢamasında optimuma en yakın çözüme ulaĢmak
amacıyla Genetik, Karınca Kolonisi, Tabu Search, Memetik gibi hevristik algoritmalar
kullanılmaktadır. Bu çalıĢmada optimum çözüme ulaĢmak amacı ile genetik algoritma
kullanılmıĢtır.
Genetik algoritmalar, ilk defa Michigan Üniversitesi‟nde John Holland ve
çalıĢma arkadaĢları tarafından geliĢtirilmiĢtir. Holland, araĢtırmalarını, arama ve
optimumu bulma için, doğal seçme ve genetik evrimden yola çıkarak yapmıĢtır. ĠĢlem
boyunca, biyolojik sistemde bireyin bulunduğu çevreye uyum sağlayıp daha uygun hale
gelmesi örnek alınmıĢ, optimum bulma ve makine öğrenme problemlerinde, bilgisayar
yazılımları geliĢtirilmiĢtir.
Genetik algoritmaların ülkemizde daha çok mühendislik ve fen bilimleri alanında
uygulandığı finans alanında kısıtlı kaldığı görülmektedir. YurtdıĢında ileri boyutta
çalıĢılan genetik algoritma yönteminin ve diğer evrimsel algoritmaların varlık tahmini,
kredi derecelendirme, portföy optimizasyonu, müĢteri profilinin belirlenmesi, risk
değerlemesi, ekonomik modelleme, finansal zaman serileri analizi ve satıĢ tahmini gibi
finansal konularda baĢarılı uygulamaları görülmüĢtür.
3
1.2. Çalışmanın Amacı
ÇalıĢmanın temel amacı; veri madenciliği sürecini kullanarak, Sharpe, Treynor
ve Jensen portföy performans ölçütleri kullanılarak farklı hisse senedi portföyleri
oluĢturmak ve oluĢturulan portföyleri piyasa performansıyla kıyaslamaktır.
1.3. Çalışmanın Önemi
Veri madenciliğinin finans alanındaki kullanımı teknolojinin de geliĢmesine
bağlı olarak hızla artmaktadır. Bu alanda yapılan çalıĢmalardan bazıları Ģu Ģekilde
özetlenebilir:
Genetik algoritmaların (GA) iĢletme finansı alanında farklı uygulamaları
bulunmaktadır. Bunlardan bir tanesi de karlılık tahminidir. Konuyla ilgili olarak Jiang
vd. çalıĢmalarında doğrusal diskriminant analizi temelli genetik algoritmaların tahmin
kabiliyetini değerlendirmiĢler ve sonuçları olasılıksal sinir ağları ve karar ağacı
modelleriyle karĢılaĢtırmıĢlardır 1. GA‟nın hisse baĢına karı tahmin etmede sinir ağları ve
karar ağaçları modellerinden daha üstün bir performans gösterdikleri ortaya çıkmıĢtır.
GA‟ın finansla ilgili bir diğer uygulaması Varetto‟nun (1998) çalıĢmasıdır 2. Varetto‟nun
bu çalıĢmasında,
Çoklu Diskriminant Analizi (ÇDA)
tahminlerinin GA‟ların
tahminlerinden daha isabetli olduğu bulgusuna ulaĢılmakla birlikte, GA‟ların sonuçlara
daha az veriyle, çok daha kısa sürede ulaĢtıkları tespit edilmiĢtir.
Genetik algoritmaların iĢletme finansındaki diğer bir uygulama alanı da portföy
seçimiyle ve hisse senetleri piyasasıyla ilgilidir. Akay vd. , kısıtlara sahip portföy seçimi
probleminin çözümü için bir karar destek sistemi geliĢtirmiĢtir 3. Karar destek sisteminin
geliĢtirilmesinde genetik algoritmaları kullanmıĢlardır. ÇalıĢmada teknik göstergelerden
de faydalanılarak karar vericinin risk ve getiri kriterlerine uygun portföyleri kolay bir
Ģekilde oluĢturulabileceği gösterilmiĢtir. OluĢturulan modelde yalnız aĢırı alım ve aĢırı
1
Yanxia JIANG, Dagang KE, Yongjun WANG, Lida Xu, Using Genetic Algorithms to Predict Financial
Performance, 2007, 3225-3229.
2
Franco VARETTO, Genetic Algorithms Applications in the Analysis of Insolvency Risk, Journal of
Banking and Finance, 22, 1998, s. 1421-1439.
3
Diyar AKAY, Tahsin ÇETĠNYOKUġ ve Metin DAĞDEVĠREN, Portföy Seçimi Problemi Ġçin KDS/GA
YaklaĢımı, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 17(4), 2002, s. 125-138.
4
satım bölgelerinin tespiti ile elde edilen portföyün güvenilirliğinin arttırılması için kısa
vadede hareket eden William‟s %R teknik göstergesi kullanılmıĢtır.
Subramanian vd. , portföy seçiminde genetik algoritmaların kullanımını
göstermek amacıyla yaptıkları çalıĢmada Hindistan‟ın 1999-2003 yılları arasındaki 4
yıllık CMIE-BSE-100 ve BSE Sensex hisse senedi verilerinden faydalanmıĢlardır 4.
Modellerinde Markovitz‟in risk-getiri yaklaĢımına bağlayarak 0.1, 0.5 ve 0.9 risk
seviyeleri için test etmiĢlerdir. ÇalıĢmanın sonucunda istenilen dönem için uygunluk
değerinin ulaĢtığı en iyi değer alınarak yatırım portföyünü seçmiĢlerdir.
Samanta ve Bordoloi, çalıĢmalarında Hindistan hisse senedi piyasası getirisinin
tahmininde yapay sinir ağlarından ve yapay sinir ağlarının optimal yapısının
bulunmasında genetik algoritmalardan faydalanmıĢlardır 5. BSE-Sensex, BSE-100 ve
S&P CNX 50 gibi Hindistan‟da bulunan alternatif hisse senedi fiyat endekslerinden ve
bunların 1999-2000 yılları arası günlük getiri verilerini kullanarak elde ettikleri zaman
serilerini genetik algoritma yoluyla en iyi yapay sinir ağları yapısının bulunmasında
kullanmıĢlardır. Hisse senedi fiyat tahmininde AAE, RMSE ve Rbar-kare, hisse senedi
fiyatı getiri tahmininde AAE, MAPE, RMSE, MSPE ve Rbar-kare göstergelerinden
faydalanılarak yapay sinir ağları ve rassal yürüyüĢ performanslarının belirlenmesine
çalıĢılmıĢtır. Genetik algoritmalarla yapılandırılan yapay sinir ağlarının rassal yürüyüĢe
göre daha iyi performans gösterdiği bulunmuĢtur.
Koyuncugil, hisse senetleri piyasası iĢlem akıĢıyla örtüĢen bir uyarı sistemi
oluĢturmuĢtur 6. Bu sistemde veri madenciliği yöntemlerinden K-ortalamalar Kümeleme
Analizi, FANNY Bulanık Kümeleme Algoritması, Bulanık Hedefli CHAID Karar
Ağaçları algoritması ve Önsel birliktelik kuralları algoritmalarını ardıĢık olarak
kullanmıĢtır. Bu sistemle manipülasyon yapılan hisse senetlerini, manipülasyonu yapan
4
5
6
S. SUBRAMANIAN, M.Sitaram VENUGOPAL ve U.Srinivas RAO, Usefulness of Genetıc Algorithm
Model for Dynamic Portfolio Selection, Journal of Financial Management and Analysis, 17(1),
2004, s. 45-53.
G. P. SAMANTA, S. BORDOLOI, Predicting Stock Market- an Application of Artificial Neurol
Network Technique through Genetic Algorithm, Finance India, 19(1), 2005, s.173-188.
Ali Serhan KOYUNCUGĠL, Bulanık Veri Madenciliği ve Sermaye Piyasalarına Uygulanması,
YayınlanmamıĢ Doktora Tezi, Ankara Üni. FBE, Ġstatistik Anabilim Dalı, Ankara, 2006.
5
aracı kuruluĢları ve yatırımcıları sırasıyla tespit etmeye çalıĢmıĢtır. Tasarladığı sistemi,
manipülasyon yapılmıĢ bir hisse senedinin verileriyle test etmiĢ ve sistemin baĢarıyla
çalıĢtığı görülmüĢtür.
ÖzgülbaĢ ve Koyuncugil, çalıĢmalarında veri madenciliği süreci kullanarak
Ġstanbul Menkul Kıymetler Borsasında (ĠMKB) 2000-2005 yılları arasında iĢlem gören
küçük ve orta büyüklükteki iĢletmelerin (KOBĠ) finansal yönden zayıf ve güçlü
yönlerini belirlemeye çalıĢmıĢlarıdır 7. Uygulamada Chi-Square Automatic Interaction
Detector (CHAID) karar ağacı algoritmasını kullanmıĢlardır. ÇalıĢmanın sonucunda
KOBĠ‟ler 19 farklı finansal profilde sınıflandırılmıĢ ve finansal açıdan güçlü ya da zayıf
olduklarının, öz kaynak ve varlıkların verimliliğine, maddi duran varlıkların
finansmanına ve likidite yönetimine iliĢkin stratejiler ile belirlendiği sonucuna
ulaĢılmıĢtır.
Bu çalıĢmada diğer çalıĢmalardan farklı olarak, verilerin hazırlanmasında ve
veriler arasındaki tutarlılığın sağlanmasında veri madenciliği süreci kullanılmıĢtır.
Genetik algoritmada kullanılan kromozom yapısı diğer çalıĢmalardan farklı olarak
oluĢturulmuĢtur. Son olarak da bu çalıĢmada gerçek bir uygulama ortamı geliĢtirilmiĢtir
ve yeni verilerin programa girilmesi sağlanarak sistemin güncel bir Ģekilde çalıĢması
sağlanmıĢtır. Bu yolla da veri madenciliği sürecinin yayılım süreci gerçek anlamda
yerine getirilmiĢtir.
7
Nermin ÖZGÜLBAġ, A. Serhan KOYUNCUGĠL, ĠMKB‟de ĠĢlem Gören KOBĠ‟lerin Veri Madenciliği
Karar Ağaçları Algoritmalarından Chaid ile Profillendirilmesi ve KüreselleĢtirme Sürecinde Güçlü ve
Zayıf Yönlerinin Belirlenmesi,
http://www.finansbilim.com/ufs2006/Makaleler/IMKBDEISLEMGOREN.pdf, (01.01.2008)
6
İKİNCİ BÖLÜM
2. Genel Olarak Portföy ve Portföy Yönetimi
Bu bölümde portföy ve portföy yönetimi kavramları, portföy yönetimi
yaklaĢımları, portföy oluĢturmada risk ve beklenen getiri unsurları ile portföy
performansının ölçülmesinde kullanılan yöntemler hakkında bilgi verilecektir.
2.1. Portföy Kavramı
Portföy en geniĢ ifade ile bireylerin sahip oldukları varlıkların toplamıdır.
Menkul kıymet açısından portföy ise; bireysel ya da kurumsal yatırımcıların ellerinde
bulundurdukları hisse senedi, tahvil, finansman ya da hazine bonosu ve diğer menkul
kıymetlerin toplamını ifade etmektedir 8.
Para ve sermaye piyasalarının geliĢmesiyle birlikte yatırım araçlarının sayısı da
artmaktadır. Bu durum yatırımcıların yatırım seçeneklerini artırmaktadır. Portföyler;
sadece hisse senedinden, sadece tahvillerden ya da finansman ve hazine bonolarından
oluĢabileceği
gibi,
diğer
yatırım
araçlarından
ya
da
bunların
bileĢiminden
oluĢabilmektedir.
Bilinen en klasik portföylerden birisi hisse senedi portföyleridir. Yatırımcının
portföyünü sadece hisse senetlerinden oluĢturması, yatırımcı açısından büyük bir risk
taĢımaktadır.
Çünkü
hisse
senetleri
sistematik
ve
sistematik
olmayan
risk
kaynaklarından çok kolay ve hızlı bir Ģekilde etkilenebilmektedir. Bu nedenle hisse
senedi portföyü oluĢturacak olan yatırımcıların, hisse senetleri piyasalarının yanında
güncel iç ve dıĢ ekonomik ve politik geliĢmeleri, hisse senetleri iĢlem gören Ģirketlerle
ilgili haberleri sürekli takip etmeleri ve Ģirketlerin mali tablolarını inceleyerek karar
vermeleri gerekmektedir. Bu tür takip iĢlemlerini yapamayan ya da eksik yapan
yatırımcıların
beklentilerini
gerçekleĢtirmeleri
güçleĢmekte
ya
da
yatırımcılar
beklentilerinin tam tersi bir durumla karĢılaĢabilmektedir. Bu tür portföylerin, ülkede
8
Gültekin RODOPLU, Para ve Sermaye Piyasaları, Tuğra Ofset, Isparta, 2001, s.345.
7
ekonomik ve politik istikrarın olduğu dönemlerde uygulanması yararlı olabilmektedir.
Ancak riskli yatırım aracı olmaları nedeniyle yüksek getiri potansiyeline sahip olmaları,
üçer aylık dönemlerle mali tablolarını açıklamaları dolayısıyla sürekli bir beklenti
yaratmaları hisse senetlerinin cazibelerini korumalarını sağlamaktadır.
Bir diğer portföy türü de tahvillerden oluĢan portföylerdir. Bu tür portföyler
özellikle risk almayı sevmeyen, finans piyasalarını sürekli takip etmeyen ve bununla
birlikte düĢük getiriye razı olan yatırımcıların tercih edebilecekleri portföy türüdür.
Yatırımcılar, farklı vadelerdeki devlet ve Ģirket tahvillerinden, hazine ve finansman
bonolarından bir portföy oluĢturarak düĢük getirili ve düĢük riskli portföy
oluĢturabilmektedirler. Bu tür portföyler daha çok ülke ekonomisinin yavaĢladığı
dönemlerde ya da ekonomik belirsizliğin arttığı dönemlerde oluĢturulmaktadır.
Hisse senedi ve tahvil dıĢındaki menkul kıymetlerle de portföy oluĢturulabilir. Bu
menkul kıymetleri; gelir ortaklığı senetleri, mevduat ve mevduat sertifikaları, repo, karzarar ortaklığı belgeleri, opsiyon sözleĢmeleri, vadeli kontratlar, banka bonoları, banka
garantili bonolar, varlığa dayalı menkul kıymetler, konut sertifikaları, döviz tevdiat
hesapları (DTH), menkul kıymet yatırım fonları, yatırım ortaklığı sertifikaları Ģeklinde
sıralanabilir.
Yatırımcının hisse senedi ve tahvil dıĢındaki menkul kıymetlerden oluĢturacağı
portföy, yatırımcının riske karĢı tutumuyla ilgilidir. Örneğin; kar-zarar ortaklığı belgeleri
ve A tipi yatırım fonundan oluĢturulacak bir portföyün riski, mevduat, repo ve döviz
tevdiat hesabından oluĢturulacak bir portföyün riskinden daha fazla olacaktır. Bu
nedenle yatırımcının bu menkul kıymetlerden bir portföy oluĢtururken hangi
yatırımlardan daha fazla verim alabileceğini iyi hesaplaması gerekmektedir.
Yatırımcı diğer menkul kıymetlerden oluĢturabileceği portföyün içine hisse
senetleri ve tahvilleri de ekleyebilir. Bu sayede de karma bir portföy oluĢturulmuĢ olur.
Portföydeki menkul kıymet çeĢitliliğinin artırılması portföyün toplam riskinin düĢmesine
neden olacaktır. Ekonominin durgunluk ve belirsizliğin yüksek olduğu dönemlerde, riski
düĢük menkul kıymetlerden (mevduat, repo, hazine bonosu, devlet tahvili, DTH, B tipi
likit fon, vb.) bir portföy oluĢturulabilecekken,
ekonomik büyümenin yüksek ve
8
istikrarlı olduğu dönemlerde daha riskli menkul kıymetlerden( hisse senetleri, A tipi
yatırım fonları, kar-zarar ortaklığı belgeleri) de portföyler oluĢturulabilir.
2.2. Portföy Yönetimi Kavramı ve Portföy Yönetimi Yaklaşımları
Ülke ve dünya ekonomisindeki geliĢmeler menkul kıymet fiyatlarını olumlu ya
da olumsuz yönde etkilemektedir. Dolayısıyla oluĢturulan portföylerin ekonomik
geliĢmeler doğrultusunda sıklıkla değiĢtirilmesi gerekmektedir. Portföy yönetimi,
ekonomik geliĢmeler doğrultusunda portföy oluĢturmayı ve oluĢturulan bu portföyü
değiĢen koĢullara göre oluĢturulan portföydeki menkul kıymetleri ya da menkul kıymet
oranlarını değiĢtirmeyi ifade etmektedir. Dolayısıyla portföy yönetimi sürekli değiĢen
bir süreci ifade etmektedir. Portföy yönetimi sürecinde portföy yöneticisinin karĢılaĢtığı
en büyük sorun; değiĢen koĢullar karĢısında hangi menkul kıymetleri hangi oranlarda
portföye sokması gerektiğidir.
Portföy yönetimiyle ilgili temel iki yaklaĢımdan bahsedilebilir. Bunlar
Geleneksel Portföy Yönetim YaklaĢımı ve Modern Portföy Yönetim YaklaĢımıdır.
2.2.1. Geleneksel Portföy Yönetim Yaklaşımı
Geleneksel Portföy Yönetimi yaklaĢımında yatırımcıların faydalarını maksimize
edecekleri bir portföyü tercih edecekleri kabul edilmektedir. Bunu gerçekleĢtirebilmek
için de yatırımcıların öncelikle yatırım yapmayı düĢündükleri menkul kıymet getirilerini,
ardından da portföy getirilerine göre oluĢabilecek riskleri hesaplamaları gerekmektedir 9.
Riski dağıtmak portföy oluĢturmanın asıl amacı olduğu için yatırımcılar tek bir menkul
kıymetten oluĢacak portföy oluĢturmaktan kaçınacaklar, portföylerindeki menkul kıymet
sayısını artırmaya çalıĢacaklardır 10. Geleneksel Portföy Yönetimi yaklaĢımına göre
portföydeki menkul kıymet sayısının fazlalığıyla portföy riski arasında ters orantılı bir
iliĢki vardır. Bir baĢka deyiĢle, yatırımcı portföyüne alacağı menkul kıymet sayısını
sürekli artırmaya çalıĢacak, dolayısıyla oluĢturduğu portföyün de riski azalmıĢ olacaktır.
9
Jong Soo KIM, Yong Chan KIM, Ki Young SHIN, An Algorithm for Portfolio Optimization Problem,
Informatica, Vol. 16, No.1, 2005, s. 93.
10
Ali CEYLAN, Turhan KORKMAZ, “Borsada Uygulamalı Portföy Yönetimi”, Ekin Kitabevi
Yay., 3. Baskı, Bursa, 1998, s. 123-124.
9
2.2.2. Modern Portföy Yaklaşımı
Geleneksel Portföy YaklaĢımına göre yatırımcılar, farklı risklerle karĢı karĢıya
olduklarının farkında olmalarına rağmen, bu riski matematiksel olarak nasıl ölçecekleri
konusunda bilgi sahibi olmamaktadırlar. Harry Markowitz, belli varsayımlara dayanarak
portföyün beklenen getirilerinin varyansının, portföyün riskini ölçebilecek bir ölçü
olduğunu ortaya koymuĢ ve portföyün varyansının formülünü ortaya çıkarmıĢtır. Bu
formül hem portföy riskinin nasıl düĢürülebileceğini hem de iyi bir çeĢitlendirmenin
nasıl olması gerektiğini belirtmektedir. Geleneksel Portföy YaklaĢımında, portföye
alınacak hisse senedi sayısındaki artıĢa bağlı olarak riskin düĢeceği ve çeĢitlendirmenin
baĢarısının artacağı görüĢüne karĢıt olarak Markowitz, çeĢitlendirmenin rastgele değil,
hisse senetleri getirileri arasındaki korelasyona dayandırılması gerektiğini ve belli bir
hisse senedi sayısından sonra artık portföye hisse senedi eklenmesinin, portföyün
riskinin düĢmesini sağlamayacağı görüĢünü savunmuĢtur. Örneğin; Evans ve Archer
yaptıkları çalıĢmada 10 hisse senedinin çeĢitlendirme için yeterli olduğu sonucuna
varmıĢlardır. Ancak daha sonra yapılan çalıĢmalarda 30 hatta
40 hisse senedinin
portföye eklenmesiyle portföy riskinin düĢürülebileceği belirtilmiĢtir 11.
Yatırımcılar beklenen getirilerin yüksek olmasını ve bu beklenen getiriden
sapmaların yanında riskin de düĢük olmasını isterler. Ancak risk ve getiri birbirleriyle
doğru orantılı oldukları için böyle bir durumun gerçekleĢmesi mümkün değildir.
Markowitz, bu konuyu belli bir getiri seviyesinde riskin minimizasyonu, ya da belli bir
risk seviyesinde getirinin maksimizasyonu Ģeklinde açıklamıĢtır. Böylece, oluĢturulacak
portföyün amacı riski minimum yapmak yada getiriyi maksimum yapmak değil,
yatırımcının beklenen faydasının maksimize edilmesini sağlamaktır 12.
Markowitz Modern portföy yaklaĢımını ortaya koyarken;
11
Gürel KONURALP, “Sermaye Piyasaları, Analizler, Kuramlar ve Portföy Yönetimi”, Alfa Yay., 2.
Baskı, Ġstanbul, 2005, s. 313-314.
12
Gürel KONURALP, a.g.e. , s.315.
10
- Yatırımcıların Menkul Kıymet Borsalarında istedikleri kadar hisse senedi
alabilme imkanına sahip olduklarını,
- Yatırımcıların rasyonel davranmaya çalıĢtıklarını ve temel amaçlarının
sağlamayı düĢündükleri faydayı maksimum yapmak olduğunu,
- Yatırımcıların, menkul kıymetlerin beklenen getiri ve risklerini göz önünde
bulundurarak yatırım kararı verdiklerini ve beklenen getiri ölçüsü olarak portföyde yer
alacak menkul kıymetlerin beklenen getirilerinin ortalamasını, risk ölçüsü olarak da
portföy getirilerinin varyansını almaları, dolayısıyla yatırımcıların tümü menkul
kıymetlerin beklenen getirileri, standart sapmaları ve korelasyonuna iliĢkin aynı
beklentiye sahip olacaklarını,
- Yatırımcıların hemen hepsinin aynı risk düzeyinde daha fazla getiri elde etmeyi
tercih edeceğini,
- Yatırımcıların, aynı zaman ufkuna sahip olacağını,
- Yatırımcıların piyasaya ait bilgilere eĢ zamanda ulaĢmasının mümkün
olduğunu, çünkü, piyasa bilgilerinin hızlı bir Ģekilde ve doğru olarak menkul kıymet
fiyatlarına yansıdığı ve bilgi akıĢına ait bir kısıtlama olmadığı,
varsayımlarına dayanmaktadır 13.
1956 yılında Markowitz‟in geliĢtirdiği ortalama - varyans modeli ve ardından
1956‟da Wolfe‟nin bulduğu etkin çözüm, modern portföy yönetimi yaklaĢımının
temelini oluĢturmaktadır. Modern portföy yönetimi yaklaĢımı, yatırımcının kabul ettiği
belli bir risk seviyesinde yapmıĢ olduğu yatırımdan beklediği getiriyi ifade etmektedir.
BaĢka bir ifadeyle modern portföy yaklaĢımı, tüm yatırımcıların belli bir risk düzeyinde
en yüksek getiriye ve aynı getiri seviyesinde ise en düĢük riske sahip olma istekleri
üzerine geliĢtirilmiĢ bir portföy yönetim modelidir 14.
13
14
Niyazi BERK, Finansal Yönetim, Türkmen Kitabevi, 2. Baskı, Ġstanbul, Mayıs, 1995, s.217.
Nihat BOZDAĞ, ġenol ALTAN, Sibel DUMAN, Minimaks Portföy Modeli ile Markowitz OrtalamaVaryans Modelinin KarĢılaĢtırılması, http://www.ekonometridernegi.org/bildiriler/o24s1.pdf,
(30.10.2007)
11
Markowitz portföy optimizasyonu modelini oluĢtururken 2 kural koymuĢtur. Ġlk
olarak yatırımcı beklenen getiriyi maksimum yapmalıdır, ikinci olarak da yatırımcının
beklenen getiriyi arzu edilen, getirinin varyansını ise arzu edilmeyen bir durum olarak
görmesi gerekir. Bu kuralların sonucunda etkin portföy kavramı ortaya çıkmaktadır.
Markowitz, portföy optimizasyon modelinde risk ölçütünü varyans olarak kabul etmiĢ ve
modelin amacını da bir portföyün varyansını minimum yapan varlıkların portföydeki
ağırlıklarını bulmak ve beklenen getiriden daha büyük ya da aynı getiride bir portföy
ortaya çıkarmak olarak belirlemiĢtir. N varlıktan oluĢan bir minimizasyon matematiksel
model de Ģu Ģekilde ifade etmiĢtir 15:
n
n
ij
xi x j
i 1 j 1
n
rj x j
pM 0
j 1
n
xj = M0
j 1
0
xj
ij
uj
j = 1…….n
i ve j menkul kıymetleri arasındaki kovaryans,
x j = j menkul kıymetine yapılan yatırım miktarı,
r j = dönem baĢına j menkul kıymetinden beklenen getiri,
p = yatırımcı tarafından istenen en düĢük beklenen getiri oranı parametresi,
M 0 = toplam yatırım miktarı,
u j = j menkul kıymetine yatırım yapılabilecek maksimum para miktarı.
15
Ali Argun KARACABEY, Is Mean Variance Efficient Than MAD in Ġstanbul?, International
Research Journal of Finance and Economics, Issue 3, 2006, s. 114.
12
Ortalama varyans analizi, portföydeki varlık dağılımı konusu için çok önemli bir
yapı oluĢturmaktadır. Bununla birlikte tüm analitik tekniklerde olduğu gibi uygulamada
dikkat edilmesi gereken unsurlar bulunmaktadır 16:
Markowitz‟in modeli; popülasyon parametresi olarak beklenen getiriler,
standart sapmalar ve korelasyonlardan oluĢmaktadır. Uygulamada bu
parametrelerin yerine istatistiksel tahminlerin kullanılması gerekmektedir.
Tahminler
sonucu
yapılan
hatalar
da
optimizasyon
sonucunu
değiĢtirebilmekte ve hatta tahminlerde yapılacak küçük hatalar büyük
sapmalara neden olabilmektedir.
Uygulamada çıkabilecek diğer bir sorun da, çıkan sonuçların güvenilmez
olmasıdır. Etkin sınır üzerinde oluĢacak küçük bir hareket, varlık
dağılımında büyük farklılıklara neden olabilmektedir. Bu durum
genellikle birbirine benzer varlıkların portföye alınmasında ortaya
çıkmaktadır.
Ancak tüm bu olumsuz durumlara rağmen, ortalama varyans analizi
uygulayıcılar arasında geniĢ çapta kabul görmektedir.
2.3. Portföy Oluşturmada Risk Ve Beklenen Getiri Unsurları
Yatırımcılar açısından yatırım kararı vermek, sadece hangi menkul kıymetlere
yatırım yapacağını belirlemek anlamına gelmemektedir. Yatırımcılar tek menkul
kıymete yatırım yapmak yerine, bunlardan bir portföy oluĢturmaya da karar
verebilmektedirler. Bu noktada yatırımcının amacı sadece portföy oluĢturmak değil,
optimal portföyü oluĢturmaktır. Bunun için portföyün risk ve getirisinin hesaplanması
gerekmektedir 17.
16
Paul D. KAPLAN, Asset Allocation Models Using The Markowitz Approach,
http://corporate.morningstar.com/ib/documents/MethodologyDocuments/IBBAssociates/Marko
witzApproach.pdf, (01.01.2008).
17
Ali CEYLAN – Turhan KORKMAZ, a.g.e. , s. 94.
13
2.3.1. Portföy Riski
Her oluĢturulan portföy aynı risk derecesine sahip değildir. Portföyler farklı
menkul kıymetlerden ya da aynı menkul kıymetlerden farklı oranlarda oluĢturulduğunda
riskleri de farklı olmaktadır. Ülke ve dünya ekonomisinde yaĢanan değiĢmeler
yatırımcıların risk konusuna daha fazla önem vermelerini gerektirmektedir 18. Bu konuda
risk unsurlarından; kovaryans, korelasyon katsayısı, beta katsayısı, varyans, ve standart
sapma kavramlarına değinilecektir.
Kovaryans
Kovaryans, değiĢkenler arasındaki değiĢimler sonucunda bu değiĢkenlerin
ortalama değerden sapma derecesini gösteren bir ifadedir. Portföyde iki veya daha fazla
menkul kıymet söz konusu olduğunda risk kovaryans ile ölçülür. Toplam risk yatırımlar
arasındaki kovaryansa bağlıdır.
Matematiksel olarak ise; değiĢkenlerin almıĢ oldukları değerlerin ortalama
değerden sapmalarının çarpımının ağırlıklı ortalamasına eĢittir. Bu tanımlama formül
olarak Ģu Ģekilde gösterilebilir 19:
Cov(i, k ) =
1
N 1t
N
Rit
E Ri
Rkt
E Rk
1
veya
Cov ri , r j = pi , j
i
j
Rit = i menkul kıymetinin t dönemindeki getirisi,
E Ri = i menkul kıymetinin beklenen getirisi,
Rkt = k menkul kıymetinin t dönemindeki getirisi,
E Rk = k menkul kıymetinin beklenen getirisi,
18
19
Gültekin RODOPLU, a.g.e, s.360.
Murat UĞUZ, Menkul Kıymet Seçimi ve Yatırım Yönetimi, Ġstanbul, 1990, s.139-141.
14
N = Portföydeki menkul kıymet sayısı,
i ve j menkul kıymetleri arasındaki korelasyon katsayısı,
ri , j
i
j
= i ve j menkul kıymetlerinin getirilerinin standart sapmalarının çarpımları.
Eğer varlıklar arasındaki kovaryans pozitif (+) bir değer almıĢsa, varlıkların
ortalamalarından sapmalarının aynı yönde olduğu,
Eğer varlıklar arasındaki kovaryans negatif (-) bir değer almıĢsa, varlıkların
ortalamalarından sapmalarının zıt yönde olduğu,
Eğer varlıklar arasındaki kovaryans değeri 0‟a yaklaĢırsa ya da 0 olursa,
varlıkların sapma değerleri arasında anlamlı bir iliĢki olmadığı anlaĢılır.
Korelasyon Katsayısı
Korelasyon katsayısı; portföye dahil edilecek menkul kıymetlerin getirileri
arasındaki iliĢkinin yönünün belirlenmesinde kullanılır. Korelasyon katsayısı, menkul
kıymetler arasındaki kovaryansın menkul kıymetlerin getirilerinin standart sapmalarının
çarpımına oranı olarak ifade edilebilir. Formül olarak göstermek gerekirse 20:
r AB =
Cov AB
A * B
r AB = A ve B menkul kıymetlerinin getirileri arasındaki korelasyon katsayısı,
Cov AB = A ve B menkul kıymetlerinin getirileri arasındaki kovaryans değeri,
A
= A menkul kıymetinin getirisinin standart sapması,
B
= B menkul kıymetinin getirisinin standart sapması.
Korelasyon katsayısı -1 ile +1 arasında bir değer alır. Portföye alınacak menkul
kıymetler arasındaki korelasyon katsayısı -1‟e ne kadar yakınsa belli bir getiri düzeyinde
risk o kadar azaltılabilmektedir. Hatta uç durum olan tam negatif korelasyonla risk sıfıra
20
Murat UĞUZ, a.g.e. , s. 142-143.
15
eĢitlenebilmektedir. Menkul kıymetler arasındaki korelasyon katsayısının +1‟e
yaklaĢması durumunda ise portföy riski artmaktadır. Eğer korelasyon katsayısı 0 ya da
0‟a yakınsa menkul kıymetlerin getirileri arasında anlamlı bir iliĢki olmadığı söylenir.
Beta Katsayısı
Beta katsayısı, piyasanın getirisi ile bir menkul kıymetin getirisi arasındaki
iliĢkiyi gösterir. BaĢka bir deyiĢle bir menkul kıymetin portföyün getirisine ve riskine
katkısı, bu menkul kıymetin beta katsayısı ile ölçülür. 21. Beta katsayısı, bir menkul
kıymetin portföy içindeki payının bir birim artırılması sonucu, portföyün varyans
değerinde meydana gelen değiĢmeyi ifade etmektedir.
Beta katsayısı, istatistiksel olarak bir menkul kıymetin sağladığı getiri (j) ile
piyasa getirisi (m) arasındaki kovaryansın piyasa getirisinin varyansına oranıdır. Beta
katsayısı aĢağıdaki formülle gösterilebilir 22:
j
j
= Cov (j, m) / Var (m)
= Hisse senedinin betası,
Cov (j, m) = Hisse senedi getirisi ile piyasa getirisi arasındaki kovaryans,
Var (m) = Piyasa getirisinin varyansı
Portföye alınacak menkul kıymetlerin seçiminde beta katsayısından sıkça
faydalanılır. Hisse senedi piyasasının beta katsayısı 1 alınır ve hisse senetlerinin beta
katsayıları bu değerle kıyaslanır.
> 1 ise portföyün getirisinin, piyasa getirisi ile aynı yönde ve daha büyük bir
değiĢme gösterdiği anlaĢılır.
21
22
Mehmet Fuat BEYAZIT, ĠMKB Betaları, Korelasyon Tahmini ve DeğiĢkenlik, Doğuş Üniversitesi
Dergisi, 6 (1), 2005, s.28.
Mustafa KIRLI, Halka Açık Olmayan ġirketlerde Sistematik Risk Ölçütü Beta Katsayısının Tahmin
Edilmesi, Celal Bayar Üni., Yönetim ve Ekonomi Dergisi, Cilt:13, Sayı:1, s.123.
16
1 koĢulunda, portföyün getirisinin, piyasa getirisinden pozitif ya da
1
negatif yönde (beta katsayısının artı ya da eksi oluĢuna göre) daha küçük bir değiĢim
göstereceği anlamına gelir.
-1 ise, portföyün getirisinin, piyasa getirisi ile ters yönde ve daha küçük bir
değiĢme göstereceği anlaĢılır.
Varyans ve Standart Sapma
Portföy oluĢtururken göz önünde bulundurulan risk ölçülerinden birisi de varyans
ya da standart sapmadır. Varyans ya da standart sapma, gerçekleĢen getirilerin beklenen
getirilerden ne kadar saptığını gösteren risk ölçülerinden birisidir. Dolayısıyla
yatırımcılar, aynı getiri seviyesinde varyansı ya da standart sapması küçük olan portföyü
diğerlerine tercih edecektir.
Standart sapma, varyansın kareköküne eĢittir. Varyans en basit Ģekilde aĢağıdaki
Ģekilde ifade edilebilir:
2
Rİ
2
Rİ
=
1
N
N
Rit
E Ri
2
t 1
= i portföyünün varyansı,
Rit = t. dönemde i portföyünün getirisi,
E Ri = i portföyünün beklenen getirisi,
N = dönem sayısı.
Bir portföydeki menkul kıymetlerin oranı sadece getirilerin ortalamalarına ve
varyanslarına bağlı değildir, aynı zamanda kovaryanslarına da bağlıdır. Bu nedenle
portföy optimizasyonu yapılırken gerek ortalama getiriler, gerekse menkul kıymetlerin
17
getirilerinin varyansları ve kovaryansları da hesaplanmalıdır. AĢağıda iki menkul
kıymetten oluĢan bir portföyün varyans formülü verilmiĢtir 23:
n
2
p
n
=
i
j
xi x j pij
i 1 j 1
2
p
= Portföyün varyansı,
p ij = i ve j menkul kıymetleri arasındaki korelasyon katsayısı,
i
j
= i ve j menkul kıymetlerinin getirilerinin standart sapmalarının çarpımı,
x i x j = i ve j menkul kıymetlerinin portföydeki ağırlıkları.
2.3.2. Portföyün Beklenen Getirisi
Markowitz modeli ile yatırım kararı verirken yatırımcı, elde tutma dönemi
sonunda servetinin hangi düzeyde olacağı ile ilgilenir ve bunu da yatırım döneminin
baĢında kesin olarak bilemez. Dolayısıyla yatırımcılar, portföyler arasındaki tercihlerini,
dönem sonundaki servetini nasıl etkileyeceklerine bakarak belirleyeceklerdir. Dönem
sonundaki servetlerine etkisini de söz konusu portföylerin beklenen getiri ve riskleri ile
ölçebilirler 24.
Portföyün beklenen getirisi, portföyde yer alan menkul kıymetlerin getirilerinin
ağırlıklı ortalamasına eĢittir.
n sayıda menkul kıymetten oluĢan bir portföyün beklenen getirisi aĢağıdaki
formülle hesaplanabilir: 25
Kˆ i
n
K i Pi
i 1
K̂ i = Portföyün beklenen getirisi,
23
Mehmet HORASANLI, Neslihan FĠDAN, Portfolio Selection by Using Time Varying Covariance
Matrices, Journal of Economic and Social Research, 9(2), 2007, s.4.
24
KONURALP, a.g.e , s. 323.
25
Gültekin RODOPLU, a.g.e., s. 366-367.
18
K i = (i)‟nci olası getiriler,
Pi = (i)‟nci getirinin gerçekleĢme olasılığı,
n = Olası getirilerin sayısı.
2.4. Portföy Performansının Değerlendirilmesi
Portföy performansı yapılan yatırımın ne derecede baĢarılı olduğunu gösterir. Bu
nedenle portföy performansı ölçülerek, baĢarısızlığın nedenleri de bulunabilir.
OluĢturulan portföyün baĢarısı ya da performansı portföyün getirisinin ve riskinin ayrı
ayrı ölçülüp kıyaslanması ile hesaplanabilir. Portföyün getirisi kısaca toplam getirinin,
yatırım
tutarına
bölünmesiyle
hesaplanabilir.
Ancak
portföy
performansının
ölçülmesinde sadece getirinin hesaplanması yeterli olmayacaktır. Getirilerin riske göre
düzeltilmesi gereklidir 26.
1960‟tan önce yatırım baĢarısını belirlemede riskin çok önemli bir değiĢken
olduğu bilinmesine rağmen yatırımcılar, portföy performansını değerlendirirken hemen
hemen tamamen getiri oranını göz önünde bulunduruyorlardı. Bunun temel nedeni riskin
henüz nasıl ölçüleceğinin tam olarak bilinmemesiydi. 1960‟lı yılların baĢında Modern
Portföy Teorisinin geliĢtirilmesiyle birlikte risk, beta katsayısı ya da standart sapmayla
ölçülebilir hale geldi ve portföy performansını değerleme sürecine dahil edildi 27.
Ortalama getiri ve varyans temeline dayanan riske göre düzeltilmiĢ portföy
performans ölçümleri, finansal varlıkları fiyatlama modeli ile aynı zamanda ortaya
atılmıĢtır. Bu konuda öncülüğü yapan araĢtırmacılar Sharpe, Treynor ve Jensen‟ dır.
Doğal olarak, riske göre düzeltilmiĢ bir performans ölçümü geliĢtirmek için risk ile
getiri arasında iliĢkinin hesaplanması gerekmektedir 28.
26
Güray
KÜÇÜKKOCAOĞLU,
Portföy
ve
Performans
Ölçümleri,
http://www.baskent.edu.tr/~gurayk/investendeksmodelleri.pdf, (01.01.2008)
27
Cudi T. GÜRSOY, Y. Ömer ERZURUMLU, Evaluation of Portfolio Performance of Turkish
Investment Funds, DoğuĢ Üni. Dergisi, 2001/4, s.44.
28
Öcal USTA, İşletme Finansı ve Finansal Yönetim, Detay Yayıncılık, 2.Baskı, Ankara, 2005, s.333.
19
2.4.1. Sharpe Oranı
Portföy performansını ölçmek için sadece portföyde yer alan menkul kıymetlerin
getirilerini değil, aynı zamanda risklerini de göz önünde bulundurmak gerekir 29.
Sharpe oranı fazla kar ya da getirinin ortalamasının, bu fazla getiri ya da karın
standart sapmasına bölünmesiyle hesaplanır. Burada fazla kar ya da getiri, bir menkul
kıymetin getirisinin, o dönemki risksiz faiz oranından fazla olan kısmıdır 30. BaĢka bir
ifadeyle Sharpe oranı, risk priminin toplam riske bölünmesidir. Toplam risk ise, aynı
dönemde sistematik ve sistematik olmayan risklerden oluĢan risk toplamını ifade
etmektedir 31.
SPDY = (R p - R f )/
p
SPDY = Sharpe Performansı Değerleme Yöntemi ,
R p = p portföyünün getirisi,
R f = Risksiz faiz oranı,
p
= p portföyünün getirisinin standart sapması.
Sharpe‟nin
performans
değerleme
yöntemi
olarak
kullandığı
endeks,
yatırımcıların risksiz faiz oranı üstünde bekledikleri getiriyi gösterir. Sharpe endeksi,
portföy performansını riskine göre düzelterek ölçmektedir 32.
Sharpe oranı yorumlanırken dikkate alınan unsur “sermaye piyasası doğrusu”dur.
Sermaye piyasası doğrusu (SPD), çeĢitlendirilmiĢ portföyler için beklenen getiri ve
toplam risk arasındaki dengeyi ortaya koyan bir doğrudur. Bu doğru risksiz getiri
oranından baĢlar ve pazar portföyüne doğru uzanır. Bu doğru sermayenin en iyi dağılıma
sahip olduğu doğrudur.
29
KONURALP, a.g.e., s.346.
Mark CHOEY, Andreas S. WEIGEND, Nonlinear Trading Models Through Sharpe Ratio
Maximization, Working Paper, Decision Technologies for Financial Engineering, 1997, s.4.
31
USTA, a.g.e., s.333.
32
Özgür DEMĠRTAġ, Zülal GÜNGÖR, , Portföy Yönetimi ve Portföy Seçimine Yönelik Uygulama,
Havacılık ve Uzay Teknolojileri Dergisi, Cilt 1, Sayı 4, 2004, s. 106.
30
20
Eğimi SPD‟den fazla olan portföylerin piyasaya göre iyi performans gösterdiği,
az olan portföylerin ise piyasaya göre kötü performans gösterdiği söylenebilir. Bunun
sonucu olarak portföy sıralamasında en büyük eğime sahip portföy en iyi performansı
gösteren portföy kabul edilir 33. Bu durum ġekil 2.1.‟de gösterilmektedir.
Ortalama
Getiri
C
B
A
SA
SB
SC
rf
Standart
Sapma
Şekil 2.1. Sharpe Performans Değerleme Yöntemine Göre Portföylerin Karşılaştırılması
Kaynak: Güner KONURALP, Sermaye Piyasaları, Analizler, Kuramlar ve Portföy
Yönetimi, Alfa Basım Yayın, İstanbul, 2005, s. 347.
ġekilde görüldüğü gibi, Sharp endeksi, risk-getiri diagramı üzerinde, risksiz faiz
oranını her bir portföye birleĢtiren doğrunun eğimini göstermektedir. ġekle göre C
portföyü B‟den, B portföyü de A‟dan daha iyi performans göstermiĢtir. Portföylerin
farklı getirilere ve risklere sahip olmaları, Sharp indeksiyle karĢılaĢtırmalarında bir engel
değildir.
2.4.2. Treynor Performans Değerleme Yöntemi
Sharpe endeksi portföyün toplam riskini dikkate alırken, Treynor endeksinin
hesaplanmasında ise portföyün sistematik riski yani betası (
33
) dikkate alınır. Bu
AyĢe YILDIZ, A Tipi Yatırım Fonları Performanslarının ĠMKB ve Fon Endeksi Bazında
Değerlendirilmesi, Muğla Üniversitesi SBE Dergisi, 2005, Sayı 14, s.188.
21
endeks, “sistematik risk birimi baĢına getiri”yi vermektedir 34. Treynor tarafından ortaya
konulan endeks aĢağıdaki Ģekilde ifade edilebilir. 35
TPDY = (R p - R f )/
p
TPDY = Treynor performans değerleme yöntemi,
R p = p portföyünün beklenen getirisi,
R f = Risksiz faiz oranı,
p
= p portföyünün beta katsayısı.
Treynor endeksinin değeri ne kadar yüksek olursa, portföyün getirisi de o kadar
iyi performans göstermiĢ olur. Bundan dolayı, portföy için hesaplanan endeks değeri,
piyasa için hesaplanan endeks değerinden daha büyük ise, bu durum portföyün piyasanın
üzerinde getiri sağladığını gösterir 36.
Ortalama
Getiri
P
Q
Tp
rf
TQ
Standart Sapma
Şekil 2.2. Treynor Performans Değerleme Yöntemine Göre Portföylerin Karşılaştırılması
Kaynak: Ali CEYLAN, Turhan KORKMAZ, Borsada Uygulamalı Portföy
Yönetimi, 3. Baskı, Ekin Kitabevi, s. 264.
34
Mehmet ARSLAN, A Tipi Yatırım Fonlarında Yöneticilerin Zamanlama Kabiliyeti ve Performans
ĠliĢkisi Analizi: 2002-2005 Dönemi Bir Uygulama”, Gazi Üni. Ticaret ve Turizm Eğitim Fak. Der.,
Sayı 2, 2005, s. 9.
35
Güven SEVĠL, Mehmet ġEN, Aktif Portföy Yönetimi Çerçevesinde Kâr Payı Verimi Temeline Göre
OluĢturulan Portföylerin Performansının Belirlenmesinde Information Oranının Kullanımı: 1990 –
1998 ĠMKB Uygulaması, İktisat, İşletme ve Finans Dergisi, Yıl: 16, Sayı 178, Ocak, 2001, s. 45.
36
a.g.m., s. 45.
22
ġekil 2.2.‟de görüldüğü gibi, P portföyü, Q portföyüne nazaran daha iyi bir
performansa, dolayısıyla daha iyi bir getiriye sahiptir.
2.4.3. Jensen Performans Değerleme Yöntemi
Jensen oranı, menkul kıymet piyasa doğrusunu temel alan bir yaklaĢımdır. Buna
göre Jensen oranı, portföy menkul kıymet piyasa doğrusu üzerinde yer alması
durumunda beklenen getirinin alacağı değer ile portföyün getirisi arasındaki fark olarak
tanımlanmaktadır 37.
Jensen endeksi, aĢağıdaki denklemde alfa (
Ri ,t
i
R f ,t =
i
i
Rm,t
) katsayısına karĢılık gelmektedir 38:
R f ,t
= Jensen endeksi,
Ri ,t = i portföyünün t dönemindeki ortalama ( piyasa ) getirisi,
R f ,t = t dönemindeki risksiz faiz oranı,
i
= Sistematik risk ölçüsü,
Rm,i = t dönemindeki piyasa portföyünün ortalama ( piyasa ) getirisi.
Eğer portföy, pozitif Jensen endeksine sahipse hisse senedi pazar doğrusunun
üzerinde, negatif endekse sahipse hisse senedi pazar doğrusunun altında bir yerde
demektir. Bu durumda bir portföyün performansı Jensen endeksine göre o portföyün,
hisse senedi pazar doğrusunun üzerinde yer alıp almamasına göre değiĢmektedir. Ancak
Jensen Endeksine göre, hisse senedi pazar doğrusu üzerinde yer alan her portföy, portföy
yöneticilerinin aynı derecede baĢarılı olduklarını kabul etmektedir. Bu endekste sadece
37
38
USTA, a.g.m, s.335.
A. Tuna TANER, Koray KAYALIDERE, 1995-2000 Döneminde ĠMKB‟de Anomali AraĢtırması, Celal
Bayar Üni. Yönetim ve Ekonomi Der., Cilt 9, Sayı 1-2, 2002, s. 12.
23
portföy yöneticisinin risksiz faiz oranı üzerinde elde ettiği getiri dikkate alınmakta, bu
getiri düzeyine kaç menkul kıymetle ulaĢıldığı önem taĢımamaktadır 39.
Sonuç olarak, Jensen‟e göre, portföy, finansal varlık pazar doğrusunun ne kadar
üzerinde yer alıyorsa, yani taĢıdığı riske göre sağlaması gerekenden ne kadar fazla getiri
sağlıyorsa, performansı o kadar yüksek demektir. ġekil 2.3.‟de A, B ve C portföylerinin
performansları görülmektedir.
Rp – Rf
C
B
A
[Rm - Rf]
p
Şekil 2.3. Jensen Portföy Performans Ölçüsüne Göre Portföylerin Karşılaştırılması
Kaynak: Ali CEYLAN, Turhan KORKMAZ, a.g.e., s. 266.
2.4.4.Diğer Portföy Performans Değerleme Yöntemleri
Bu çalıĢmanın uygulama aĢamasında yukarıda değinilen 3 performans ölçütü
kullanılmıĢtır. Bu performans değerleme yöntemlerinden farklı olarak kullanılan
yöntemler de bulunmaktadır. Bu yöntemler: Sortino Oranı, T2 Performans Ölçütü, M2
Performans Ölçütü, Fama Ölçütü, Değerleme Oranıdır.
39
KONURALP, a.g.e., s.355.
24
Sortino Oranı
Portföy riskini ölçmede en çok kullanılan biri de varyanstır. Varyans bir
yatırımın getirilerinin yatırımların ortalamasından sapmalarını ifade eder. Varyansı
hesaplarken yukarı/pozitif ve aĢağı/negatif yönde herhangi bir kısıtlama yapılmamıĢtır.
Bu yüzden, aylık %-5 ve %+5 getirilere sahip olan bir yatırım, bir ay sabit ve sonraki ay
%+10 getiriye sahip olan bir diğer yatırımla aynı varyansa sahip olacaktır. Dolayısıyla
Sharpe oranı, riski ayarlamak için oynaklığı ölçmede dolaylı olarak taraflı bir ölçü olan
standart sapmayı kullandığından bu soruna çözüm bulmak için Sortino oranı
geliĢtirilmiĢtir. Sortino yukarı ve aĢağı yöndeki hareketlerden kaynaklanan oynaklığı
ayırt etmektedir. Yukarı yöndeki oynaklık arzu edilen bir durumdur ve oynaklık içinde
hesaba katılmamaktadır 40.
Sortino oranında birim risk baĢına düĢen getiri miktarı portföy performansını
göstermektedir. Oranın yükselmesi daha iyi portföy performansını ifade etmektedir 41.
Sortino Oranına göre, standart sapma yerine aĢağı yönde sapma kullanılır. Bu
Ģekilde getiri dağılımlarının asimetrik olma problemine çözüm yaratılmıĢ olur. O halde
bu yöntem, ortalama getirinin risksiz faiz oranını aĢan kısmının, aĢağı yönde olan altvaryansa oranıdır. Formül bir baĢka ifade ile42:
rP - MAR
SR =
T
t 1
(rpt
MAR ) 2
T
r pt sadece MAR> r pt olduğu durumlarda hesaplamaya girer.
SR = Sortino oranını,
r pt = portföyün t zamanındaki getirisini,
40
Youlvie MOUSTAFA, Portföy Yönetimi ve Finansal Varlık Fiyatlama Modelinde Risk Getiri
İlişkisi, D.E.Ü. SBE ĠĢletme Anabilim Dalı, Yüksek Lisans Tezi, 2007, s.88.
41
a.g.t., s.88.
42
Suat TEKER, Emre KARAKURUM, Osman TAV, Yatırım Fonlarının Risk Odaklı Performans
Değerlemesi, Doğuş Üni. Dergisi, 9 (1), 2008, s. 94.
25
rp = portföyün ortalama getirisini,
T = incelenen gün sayısını,
MAR = minimum kabul edilebilir değeri (kazancı) ifade etmektedir.
Sortino oranında, risk ölçüsü olarak standart sapma yerine kısmi standart sapma
kullanılır. Kısmi standart sapma, MAR‟ın altında kalan getiri sapmalarını ölçmektedir.
Bir çok yatırım kararlarında, bazı belirlenen hedefleri gerçekleĢtirmek için minimum
düzeyde kazanılması gereken bir getiri seviyesi vardır. Bu, oluĢan bazı kötü sonuçlardan
korunmak için minimum seviyede kazanılması gereken getiridir ki “minimum kabul
edilebilir getiri” (minimal acceptable return – MAR) olarak adlandırılır 43.
M2 Performans Ölçütü
M2 performans ölçütü, risk ölçütü olarak toplam riski ele alır fakat, karĢılaĢtırma
yöntemine (benchmark) göre portföy performansı daha kolay yorumlanabilir. M2
Performans Ölçütü aĢağıdaki Ģekilde formüle edilebilir 44:
M2 = R f
Ra
Rf
*
rm
veya
M2 = R f
( SharpeOranı*
rm
)
a
rm
= KarĢılaĢtırma ölçütünün getirilerinin standart sapması,
R f = Risksiz faiz oranını göstermektedir.
M2
hesaplanırken performansı ölçülecek portföylerin risklerinin piyasa
portföyünün riskine eĢitlenmesi sağlanır. Bu nedenle de portföyü hem yüksek riskli, hem
de düĢük riskli (devlet tahvili, hazine bonosu gibi) menkul kıymetlerden oluĢturmak
gereklidir 45.
43
MOUSTAFA, a.g.t., s.88.
Turhan KORKMAZ, Hasan UYGURTÜRK, Türkiye‟deki Emeklilik Fonları ile Yatırım Fonlarının
Performans KarĢılaĢtırması ve Fon Yöneticilerinin Zamanlama Yetenekleri, Kocaeli Üni. SBE Dergisi
(15), 2008, s. 118.
45
KONURALP, a.g.e., s.349.
44
26
Değerleme Oranı
Değerleme oranı, Jensen ve Treynor endeksinin hesaplanmasında dikkate
alınmayan sistematik olmayan riski göz önünde bulunduran bir yöntemdir. Bu yönteme
göre Jensen oranı sistematik olmayan riske bölünerek, Jensen oranında sistematik
olmayan riskin de kullanılması sağlanmıĢtır. Değerleme oranı aĢağıdaki Ģekilde formüle
edilmiĢtir 46:
AR =
p
ur
p
= Portföyün Jensen alfa değeri,
= sistematik olmayan riski,
ifade etmektedir.
ur
T2 Performans Ölçütü
T2 Performans Ölçütü, Treynor oranını yüzde getiriye dönüĢtüren bir yöntemdir.
Bu yöntemde portföye hazine bonosu eklendiği varsayılarak risk düzeltmesi yapılır. Bu
metot aĢağıdaki Ģekilde formüle edilebilir:
T2 = Treynor – (r m - r f )
Fama Performans Ölçütü
Fama performans ölçütü fonların çeĢitlendirilmesi ve fon yöneticilerinin yüksek
getiri sağlayan hisseleri toplama becerilerini ölçmeye yarayan bir yöntemdir. Tam olarak
çeĢitlendirilmiĢ bir portföy sistematik olmayan risk içermez, çeĢitleme ölçütü sıfır (0)
olacaktır. Pozitif bir değer, fonun ekstra getiri sağlaması için fon için gereken
çeĢitlendirme eksikliğini belirtmektedir. ÇeĢitlendirme Ģu Ģekilde formüle edilebilir 47:
ÇeĢitlendirme = R f
Rm
Rf
i
Rf
Rm
Rf
i
m
46
47
Suat TEKER, Emre KARAKURUM, Osman TAV, a.g.m., s.96.
Farid ABDERREZAK, The Performance of Islamic Equity Funds A Comparison to Conventional,
Islamic and Ethical Benchmarks, Maastricht Univ., Master Thesis, 2008, s. 30.
27
Rf
= Aylık ortalama risksiz faiz oranı,
Rm = Piyasanın ortalama getirisi,
i
= i fonunun standart sapması,
m
= piyasanın standart sapması,
i
= i fonunun beta katsayısı.
Seçicilik, bir portföyde sermaye varlıklarını fiyatlama modelinin beklenen
getirisi üzerinde ekstra bir getiri sağlamak için fon yöneticisinin becerisini tahmin eder.
Sonucun pozitif olması, fon yöneticisinin iyi hisse senedi seçme becerisi olduğunu
gösterir. Seçicilik ölçütü aĢağıdaki gibi gösterilebilir 48:
Seçicilik = Ri
48
Rf
ABDERREZAK, a.g.t., s. 30.
i
Rm
Rf
= Jensen performans ölçütü.
28
ÜÇÜNCÜ BÖLÜM
3.Veri Madenciliği
Veri madenciliği büyük veri setlerindeki değiĢkenler arasında önemli iliĢkileri
araĢtıran ve farklı disiplinlerce kullanılan bir süreçtir 49.
Veri madenciliği, büyük veritabanlarında gizlenmiĢ bilgilerin çıkarımı olarak da
tanımlanabilir. Bu yöntem iĢletmelerin veri depolarındaki en önemli bilgilerine
odaklanmalarını sağlayan yeni bir süreçtir. Veri madenciliği araçları gelecekteki
davranıĢ ve trendleri tahmin ederek iĢletmelerin etkin kararlar almalarında büyük rol
oynar. Aynı zamanda bu araçlar, çözümü çok zaman gerektiren iĢletme sorunlarına da
yanıt bulabilmektedir 50.
Veri madenciliği; veri ambarlarındaki çeĢitli verileri kullanarak yeni bilgileri
ortaya çıkarmak ve bu bilgileri karar verme ve uygulama aĢamasında kullanma sürecidir.
Veri Madenciliği kendi baĢına bir çözüm üretmemekte, ancak çözüm için gerekli
bilgileri sağlamakta ve karar verme aĢamasında yardımcı olmaktadır 51.
Veri madenciliği istatistiğin kullanıldığı bir yöntemdir. Bu nedenle iĢletmelerde
geniĢ bir kullanım alanı bulunmaktadır. Veri madenciliğinin amacıyla istatistiğin amacı
aynı doğrultuda yer almaktadır. Ġstatistik verilerin toplanması, sınıflandırılması,
özetlenmesi, grafik ve tablolarla sunulması, analiz edilerek ana kütle hakkında anlamlı
bilgiler elde edilmesi ve yorumlar yapılmasıdır. Bir baĢka ifadeyle;”verilerden yeni
bilgiye ulaĢmak” anlamına gelmektedir. Her iki teknikte de temel unsurlar veri ve
bilgidir 52.
49
ġenol Zafer ERDOĞAN, Mehpare TĠMOR, A Data Mining Application in a Student Database, Journal
of Aeronautics and Space Technologies, Vol. 2, N. 2, 2005, s. 53.
50
K. THEARLING, An Introduction to Data Mining, http://thearling.com/text/dmwhite/dmwhite.htm,
(15.08.2008)
51
ġule ÖZMEN, ĠĢ Hayatı Veri Madenciliği Ġle Ġstatistik Uygulamalarını Yeniden KeĢfediyor,
http://idari.cu.edu.tr/sempozyum/bil38.htm, (01.012008)
52
ÖZMEN, a.g.e.
29
Veri
bulundurarak
madenciliğinin
gelecekteki
amacı,
olası
geçmiĢte
davranıĢların
yapılan
çalıĢmaları
tahminine
yönelik
göz
önünde
karar
verme
mekanizmaları yaratmaktır. Veri madenciliği, William Frawley ve Gregory PiatetskyShapiro tarafından, “Verideki gizli, önceden bilinmeyen ve potansiyel olarak faydalı
enformasyonun önemsiz olmayanlarının açığa çıkarılması” biçiminde tanımlanmıĢtır 53.
Veri Madenciliğinin Ortaya Çıkışı
Veri madenciliği teknikleri uzun bir araĢtırma ve ürün geliĢtirme sürecinin
sonucunda ortaya çıkmıĢtır. Bu geliĢim iĢletme verilerinin ilk olarak bilgisayarlara
depolanmasıyla baĢlamıĢ, veri giriĢlerinin geliĢimiyle devam etmiĢtir ve veri madenciliği
günümüzde de kullanıcılara verilerini yönetme olanağı sağlayan bir süreç haline
gelmiĢtir. Veri madenciliği günümüzde iĢletmeler tarafından uygulanabilecek bir
yöntemdir, çünkü yeterince geliĢmiĢ 3 teknoloji;
Büyük miktarda veri toplama,
Güçlü çok iĢlemci bilgisayarlar,
Veri Madenciliği Algoritmaları,
tarafından desteklenmektedir 54.
53
Nermin
ÖZGÜLBAġ,
A.
Serhan
KOYUNCUGĠL,
a.g.m.,
http://www.finansbilim.com/ufs2006/Makaleler/IMKBDEISLEMGOREN.pdf, (01.01.2008)
54
K. THEARLING, a.g.m.
30
Kullanıcının bakıĢ açısından veri madenciliğinin tarihi geliĢim süreci dört adımda
incelenebilir 55. Bu dört adım çizelge 3.1‟deki gibidir.
Çizelge 3.1 Veri Madenciliğinin Kullanım Süreci
Gelişim Adımı
İşletme Sorusu
Ürün
Teknolojiler
Özellikler
Sağlayıcılar
1. ADIM
Veri Toplama
(1960‟lı yıllar)
“Son beĢ yıldaki
toplam
gelirim
Bilgisayarlar,
GeçmiĢe ait,
IBM, CDC
diskler
statik veri
ne?”
2. ADIM
Veri
GiriĢi
(1980‟li yıllar)
dağıtımı
“Geçen
Martta
Ġngiltere‟deki
satıĢ
miktarı
ne?”
Ġlgili veri
Oracle, Sybase,
Kayıt
tabanları
Informix, IBM,
seviyesinde
Microsoft
geçmiĢe ait,
(RDMBS,
SQL,ODBC)
dinamik veri
dağıtımı
3. ADIM
4. ADIM
Veri Depolama
“Geçen Martta
Çok boyutlu
Pilot, Comshare,
Farklı
ve Karar
Ġngiltere‟deki
veri tabanları,
Arbor, Cognos,
seviyelerde
Destekleme
satıĢ miktarı ne?
veri depoları
Microstrategy
geçmiĢe ait,
(1990‟lı yıllar)
Boston‟u geçti
dinamik veri
mi?”
dağıtımı
Veri
“Gelecek ay
GeliĢmiĢ
Madenciliği
Boston‟daki
algoritmalar,
(Günümüzde
satıĢ miktarı ne
çoklu iĢlemci
GeliĢmekte)
olabilir?
bilgisayarlar,
Neden?”
büyük veri
Pilot, Lockheed,
IBM, SGI
Muhtemel ve
etkin veri
dağıtımı
tabanları
Kaynak:
K.
THEARLING,
An
Introduction
http://thearling.com/text/dmwhite/dmwhite.htm
55
K. THEARLING, a.g.m.,
to
Data
Mining,
31
3.1. Veri Madenciliği Süreci
Veri madenciliği süreçlerinden en yaygın olarak kullanılanı, VM araçlarını satan
firmalardan bazılarının ve VM uygulamalarını iĢletme faaliyetlerine uyarlayan ilk
kuruluĢların oluĢturduğu bir konsorsiyum tarafından geliĢtirilen CRISP-DM (Çapraz
Endüstri Veri Madenciliği Standart Süreci)‟dir. Daimler-Chrysler (sonradan DaimlerBenz AG, Almanya), NCR Sistem Mühendisliği Kopenhag (Danimarka), SPSS
(England) ve OHRA Verzegeringen en Bank Groep B.V (Hollanda) isimli firmalar
CRISP-DM‟i (Çapraz Endüstri Veri Madenciliği Standart Süreci)
geliĢtirmiĢlerdir.
CRISP-DM, bilgi keĢfi için veri madenciliğinin temel adımlarını tanımlayan kademeli
bir süreçtir. Bu sürecin adımları;
1.
İşin Kavranması – iĢletme açısından amaçları anlama ve bu bilgiyi bir
VM problemine dönüĢtürme,
2.
Verinin Kavranması – veri kalitesini belirleme, verinin ilk kez
anlaĢılmasının keĢfi için veri toplamayla baĢlama,
3.
Verinin Hazırlanması – son veri setini oluĢturmak için tüm faaliyetlerin
kapsama alınması,
4.
Modelleme – değiĢik modelleme tekniklerinin seçilip, uygulanması ve
ayarlanması,
5.
Değerleme – Modelin kalitesinin değerlendirilmesi,
6.
Yayılım – Karar verme sürecine yardım etmek için “güncel” bir model
organizasyonda uygulanması,
adımlarından oluĢur56.
56
Irma B. FERNANDEZ, , Stelios H. ZANAKIS, Steven WALCZAK, “ Knowledge Discovery
Techniques for Predicting Country Investment Risk” Computers& Industrial Engineering, No: 43,
2002, s. 788-790.
32
CRISP-DM, veri madenciliğinin temel adımlarını tanımlayan bir süreçtir. Bu
sürecin adımları ġekil 3.1.‟de gösterilmiĢtir.
Şekil 3.1. CRISP-DM Veri Madenciliği Süreci
Kaynak: A. Serhan KOYUNCUGİL, Bulanık Veri Madenciliği ve Sermaye
Piyasalarına Uygulanması, Ankara Üni., FBE, İstatistik Anabilim Dalı, Doktora
Tezi, 2006, s. 52.
3.1.1.İşin Kavranması
Veri Madenciliği sürecinin ilk aĢaması olan iĢin kavranması; Bir iĢletmenin bakıĢ
açısından proje amaçlarının anlaĢılması ve amaçlara ulaĢabilmek için bu bilginin bir
baĢlangıç planına ve veri madenciliği problem tanımına dönüĢtürülmesidir 57.
57
Irma B. FERNANDEZ, , Stelios H. ZANAKIS, Steven WALCZAK, a.g.m., s. 790.
33
3.1.2. Verinin Kavranması
Veri Madenciliğinin ikinci adımı verinin kavranmasıdır. Veriyi kavrama safhası
veri toplanması ile baĢlar ve veri kalitesi sorunlarını tanımlamak, verinin ilk kavranıĢını
keĢfetmek ya da gizli bilgilere ulaĢmak için ilginç alt kümeler ortaya çıkarma amaçlı
faaliyetlerle devam eder 58.
Ayrıca bu adımda veri kalitesi belirlenir ve veri içerisindeki ilk anlayıĢlar ortaya
çıkarılır. ĠĢin kavranması ve verinin kavranması arasında çok yakın bir bağlantı
bulunmaktadır. VM probleminin formülasyonu ve proje planı en azından var olan
verinin kavranmasını gerektirir 59.
3.1.3. Verinin Hazırlanması
Veri madenciliğinde üçüncü adım verinin hazırlanmasıdır. Veri hazırlama; veri
temizleme, veri dönüĢümü ve özellik seçimi Ģeklinde gerçekleĢtirilir. Veri temizleme
iĢleminin amacı, veriler içindeki uygun olmayan veya hatalı girilmiĢ verileri
ayıklamaktır. Bu iĢleme örnek olarak; eksik verilerin o alandaki verilerin ortalaması ile
doldurulması ve sayısal alanlardaki bilginin normal dağılıma uyduğunun farz edilerek
normal dağılım dıĢında değere sahip olan kayıtların silinmesi gösterilebilir 60.
Veri temizlendikten sonra, elimizdeki kaynak veri farklı formatlara veya
değerlere dönüĢtürülmektir. Örneğin, bazı veri madenciliği algoritmaları sadece sayısal
veriler üzerinde çalıĢmaktadırlar. Bu durumda eldeki sözel verilerin sayısal veriye
dönüĢtürülmesi gerekmektedir.
Özellik seçimi ise bir değeri tahmin etmede etkin parametrelerin belirlenmesini
amaçlamaktadır. Örneğin, bir değeri tahmin etmek için çok fazla sayıda özellik
belirlenmiĢ olabilir. Bütün belirlenen bilgileri toplamak her zaman kolay değildir. Bu
durumda etkin özellikler belirlenerek bilgilerin kolay ve hızlı toplanması sağlanabilir.
58
Rüdiger WIRTH, Jochen HIPP, “CRIPS-DM : Towards a Standard Process Model for Data Mining”,
http://sunwww.informatik.uni-tuebingen.de/forschung/papers/padd00.pdf, (01.01.2008)
59
Rüdiger WIRTH, Jochen HIPP, a.g.m. , 2008.
60
FERNANDEZ, ZANAKĠS, WALCZAK, a.g.m. , s. 790.
34
3.1.4. Modelleme
Bu aĢamada daha önce hazırlanmıĢ olan veriler kullanılarak modelleme
gerçekleĢtirilir.
Modelleme Ģu adımları içermektedir 61:
a. Veriye uygun hale getirilmeye çalıĢılan modelin seçimi,
b. Veriyle ilgili farklı modelleri değerlendiren fonksiyonların seçimi,
c. Sonuç fonksiyonunu optimize etmek için algoritmaların ve hesaplama
metotlarının belirtilmesi.
Bu bileĢenler kullanılacak veri madenciliği algoritmasını belirlemek için
birleĢtirilir. Bu bileĢenler belirli bir algoritmada önceden de derlenebilirler. Diğer bir
ifade ile veri analizi açısından yüksek kaliteye sahip görünen bir ya da daha fazla model
oluĢturulur.
3.1.5. Değerlendirme
Modelin yayılma aĢamasına geçmeden önce iĢletmenin amaçlarını tam olarak
gerçekleĢtirdiğinden emin olmak için modelin eksiksiz bir Ģekilde değerlendirilmesi ve
modeli gerçekleĢtirmek için oluĢturulan adımların gözden geçirilmesi önemli bir
adımdır. Temel amaç, yeteri derecede dikkate alınmayan bir iĢletme sorununun olup
olmadığını belirlemektir. Bu evrenin sonunda veri madenciliği sonuçlarının kullanımıyla
ilgili bir karara ulaĢılabilir 62.
Değerlendirme aĢamasında kullanılabilecek çeĢitli araçlar mevcuttur. Örneğin,
tahmine yönelik sayısal veriler varsa ve kullanılan modelin doğruluğu test edilmek
isteniyorsa MAPE (Mean Absolute Percentage Error) veya R2 (Belirlilik Katsayısı)
kullanılabilir 63.
61
Padhraic SMYTH, Breaking Out of the Black Box: Research Challenges in Data Mining,
http://www.cs.cornell.edu/johannes/papers/dmkd2001-papers/p2_smythe.pdf, (30.10.2008)
62
WIRTH, HIPP, a.g.m.
63
FERNANDEZ, ZANAKĠS, WALCZAK, a.g.m. , s. 790.
35
3.1.6. Yayılım
Modelin oluĢturulması çoğunlukla projenin sonu anlamına gelmemektedir.
Genellikle elde edilen bilginin müĢterinin kullanabileceği Ģekilde düzenlenmesi ve
sunulması gerekir. Ġhtiyaçlara bağlı olarak bir rapor oluĢturma kadar basit ya da tekrar
edebilen bir veri madenciliği sürecini uygulamak kadar karmaĢık olabilir. Bir çok
durumda yayılma adımlarını gerçekleĢtirecek olan bir veri analisti değil, kullanıcı
olacaktır. OluĢturulan modellerin gerçek anlamda kullanılabilmesi için hangi iĢlemlerin
gerçekleĢtirilmesi gerektiğini kavramak önemlidir 64.
3.2. Veri Madenciliği Teknikleri
Veri madenciliğinde kullanılan modeller tahmin edici ve tanımlayıcı modeller
olmak üzere ikiye ayrılır. Tahmin edici modellerde amaç, sonuçları bilinen verileri
kullanarak bir model geliĢtirmek ve bu model yardımıyla sonuçları bilinmeyen veri
kümeleri ile sonuçların tahmin edilmesini sağlamaktır. Örneğin; bir banka daha önceden
verdiği kredilerin ödenme durumlarını inceleyerek (sonuçları bilinen veriler), müĢteri
tiplerine göre vereceği kredilerin sonuçlarını tahmin edebilir. Bu sayede baĢvuru yapan
müĢterilerin nasıl davranacakları tahmin edilebilir. Modelin bir diğer kullanım yeri de
veri tabanındaki boĢ alanların diğer alanlar ve eski kayıtlar kullanılarak tahmin
edilmesidir 65. Sınıflama (classification), gerileme (regression) ve sapma (deviation)
madenciliği tahmin edici tekniklerin bazılarıdır.
Tanımlayıcı modellerde ise amaç; karar vermeye yardım edebilecek mevcut
verilerin tanımlanmasını sağlamaktır. Kümeleme (clustering), birliktelik kuralı
(association rule) ve ardıĢıl örüntü (sequential pattern) madenciliği tanımlayıcı
tekniklerden bazılarıdır 66.
64
WIRTH, HIPP, a.g.m.
Emrah YILMAZ, Kütahya İlinde Sosyal Sınıfların Belirlenmesi ve Veri Madenciliği İle Tüketici
Profilinin Çıkarılmasına Yönelik Bir Uygulama, Dumlupınar Üni. Sosyal Bil. Ens. Yüksek Lisans
Tezi, Kütahya, 2006, s.91.
66
F. CEMAL ÖZÇAKIR,, Müşteri İşlemlerindeki Birlikteliklerin Belirlenmesinde Veri Madenciliği
Uygulaması, Marmara Üni. Fen Bil. Ens. Yüksek Lisans Tezi, Ġstanbul, 2006, s.15.
65
36
3.2.1. Kümeleme
Kümeleme analizi, benzer özelliklere sahip bireylerin belirlenip gruplandığı çok
değiĢkenli bir çözümleme tekniğidir. Kümeleme analizi sayesinde dağılımdaki yoğun ve
seyrek alanlar belirlenebilir ve farklı dağılım örnekleri uygulanabilir 67
Kümeleme analizi benzer nesnelerin aynı grupta toplanması olarak da
tanımlanabilir. Bu modelde dikkat edilmesi gereken unsur, hangi kriterleri kullanarak
kümeleme yapılacağıdır. Bu iĢlemler konunun uzmanı olan kiĢiler tarafından tahmin
edilir. Veriler kümeleme iĢleminde aynı sınıfta ya da farklı gruplarda yer alabilir.
Genellikle nüfus bilimi ve astronomi alanında kullanılmaktadırlar 68.
Veri tabanlarında toplanan veri miktarındaki artıĢla, kümeleme analizi son
zamanlarda veri madenciliği araĢtırmalarında aktif bir konu haline gelmiĢtir 69.
Kümeleme tekniği çok sayıda kayıt içeren veritabanlarında iyi bir Ģekilde
uygulanabilir. Bu tür veritabanlarında her bir kayıt belirli bir grupta bir üye olarak
sunulur. Kümeleme algoritması aynı gruplara uyan tüm üyeleri bulur. Bu üyeler
içerisinde herhangi bir gruba uymayan üyeler de olabilir. Bu üyeler gürültü olarak
nitelendirilir. Gürültüler kümeleme algoritmasının gücü açısından önemlidir. Örneğin
veritabanında bir sigorta Ģirketinin müĢteri bilgileri tutulduğunu varsayılsın ve benzer
davranıĢlara göre bu müĢteriler kümelenecek olsun. Bir gürültü farklı davranıĢlar
gösteren bir müĢteriyi belirtecektir. Bu gibi bir durumda örneğin Ģirkete karĢı
yapılabilecek olası bir dolandırıcılık giriĢimi gizlenebilir ve daha ileride araĢtırılmaya
gerek duyulabilir. Bu aĢamada kümeleme dolandırıcılık tespiti yapmak için
kullanılabilir 70.
67
68
69
70
ġenol Zafer ERDOĞAN, Mehpare TĠMOR, a.g.m., s. 53.
Ersin KAYA, Mustafa BULUN, Ahmet ARSLAN, Tıpta Veri Ambarları OluĢturma ve Veri
Madenciliği Uygulamaları, http://ab.org.tr/ab03/tammetin/96.doc, (01.07.2008)
Mevlüt UYAN, Tayfun ÇAY, Mekansal Uygulamalar için Veri Madenciliği YaklaĢımı,
http://www.uzalcbs2008.org/pdf/77.pdf, (01.10.2008)
Emine TUĞ, Genetik Algoritmalar ile Tıbbi Veri Madenciliği, Selçuk Üni. FBE, YayınlanmamıĢ
Yüksek Lisans Tezi, 2005, s.30.
37
3.2.2. Birliktelik Kuralı
Birliktelik kurallarının amacı, büyük veri kümeleri arasından birliktelik
iliĢkilerini bulmaktır. Depolanan verilerin sürekli artması nedeniyle Ģirketler,
veritabanlarındaki birliktelik kurallarını ortaya çıkarmak isterler. Büyük miktarda
depolanan verilerden değiĢik birliktelik iliĢkileri bulmak, Ģirketlerin karar alma
süreçlerini olumlu etkilemektedir.
Birliktelik kuralları için verilebilecek örnek market sepeti uygulamasıdır. Bu
kural, müĢterilerin satın alma alıĢkanlıklarını analiz etmek için, müĢterilerin satın
aldıkları ürünler arasındaki iliĢkileri bulur. Bu tür iliĢkilerin analizi sonucunda,
müĢterilerin satın alma davranıĢları öğrenilebilir ve yöneticiler de öğrenilen bilgiler
sonucunda daha etkili satıĢ stratejileri geliĢtirebilirler. Örneğin bir müĢterinin süt ile
birlikte ekmek satın alma olasılığı nedir? Elde edilen müĢteri bilgilerine dayanarak
rafları düzenleyen market yöneticileri ürünlerindeki satıĢ oranlarını arttırabilirler.
Örneğin bir marketin müĢterilerinin sütün yanında ekmek satın alma oranı yüksekse,
market yöneticileri süt ile ekmek raflarını yan yana koyarak ekmek satıĢlarını
arttırabilirler 71.
Sepet analizi farklı ürünlerin satılması, mağazanın düzenlemesi, ürün
kataloglarının düzenlenmesi ve promosyon çalıĢmalarında kullanılabilir. Sepet analizi
modeli çok kullanılıĢlı olmasına rağmen yorumlanırken bazı problemler ortaya
çıkabilmektedir. Örneğin bir mağazadan ekmek alanların %30‟unun süt aldığının
bilinmesi önemli bir bilgidir. Eğer bu mağazada yapılan toplam alıĢveriĢlerin %30'unun
süt olduğuna dikkat edilirse bu bağlantının tamamen rastlantısal olduğu anlaĢılabilir.
Hatta eğer toplam alıĢveriĢlerin %50'sini süt oluĢturuyorsa, bu iki ürünün birbirleriyle
birlikte alınmadıkları sonucuna bile ulaĢılabilir. Günümüzde yapılan sepet analizi
araĢtırmalarının
çoğunda
bu
rastlantısal
iliĢkiler
dikkate
alınmadan
sonuçlar
çıkartılmaktadır 72.
71
Serhat ÖZEKES, Veri Madenciliği Modelleri ve Uygulama Alanları, İstanbul Ticaret Üni. Dergisi, s.
76.
72
Emrah YILMAZ, a.g.t., s. 94.
38
3.2.3. Sınıflama ve Regresyon
Sınıflama ve regresyon, önemli veri sınıflarını belirten ve gelecekteki veri
sonuçlarını tahmin eden modeller kuran veri analiz yöntemleridir. Sınıflama kategorik
değerlerin, regresyon ise süreklilik gösteren değerlerin tahmininde kullanılır 73.
Sınıflama kuralı üç adımdan oluĢur 74:
Adım 1: Bulunan model eğitim veri kümesine dayanır. Eğitim kümesini
oluĢturan verilere eğitim veri kümesi denir. Bunlar tüm veri seti üzerinden rastgele
seçilirler.
Adım 2: Eğitim veri seti sonucunda bulunan model sınıflama için kullanılır.
Bulunan modele dayanılarak modelin tahmin gücü belirlenir. Deney veri kümesi seti de
tüm veri seti içerisinden rastgele seçilir.
Adım 3: Eğer test veri seti üzerinde yapılan denemeler sonucunda modelin
doğruluğu yeterli görülürse, bulunan model yeni sonuçları bulmakta kullanılır.
Sınıflama modelinde kullanılan baĢlıca teknikler Ģunlardır:
1.
Karar Ağaçları
2.
Yapay Sinir Ağları
3.
Genetik Algoritmalar
4.
Tahminleme Modelleri
3.2.3.1 Karar Ağaçları
Karar ağaçları kuruluĢlarının ucuz olması, kolay yorumlanabilmeleri, veri tabanı
sistemleri ile kolayca entegre edilebilmeleri nedenleri ile veri madenciliği sınıflama
modelleri içerisinde en yaygın kullanılan tekniktir. Karar ağaçları tahmin etmede
kullanılan bir tekniktir. Karar ağaçları aynı zamanda kural çıkarma algoritmalarıdır. Bu
73
74
ÖZEKES, a.g.m., s. 68.
YILMAZ, a.g.t., s. 96-97.
39
algoritmalar bir veri kümesinden kullanıcıların çok kolay anlayabileceği “eğerdoğruysa” (IF-THEN) türündeki kuralları bir ağaç yapısında türetebilirler 75.
Ağacın her dalı bir kural ve yaprakları da bu kuralın sağlanması durumunda dahil
olunacak sınıfı gösterir. Karar ağaçları kolayca anlaĢılabilir kurallar çıkarması nedeniyle
çok kullanılan bir tekniktir. Bu teknikte dikkat edilmesi gereken nokta; ağacın tek bir
kayıt kalana kadar büyümesidir. Bu durumdan kuralları oluĢturma sırasında çok fazla
zaman gerektireceği için mümkün olduğunca kaçınılmalıdır 76.
Ağaç ile ilgili temel özellikleri;
• Verinin herhangi bir kayba yol açmadan her bir dala ayrılabilmesi,
• Modelin nasıl yapılandırıldığının çok kolay anlaĢılması, (Sinir ağları veya
standart istatistik modellerinin tersine).
• OluĢturulan modelin kolayca kullanılması, ayrıca bazı sezgilerin de modelde
yapılandırılmasının mümkün olması,
• Karar ağaçlarının iç içe geçmiĢ eğer / doğruysa (if / then) kurallarının dizisi
olması, görsel olması nedeniyle oldukça kolay anlaĢılması ve aynı zamanda kolaylıkla
SQL sorgusuna dönüĢtürülebilir olması,
• DeğiĢken tiplerine göre, farklı yöntemler kullanılabilmesi Ģeklinde
sıralanmaktadır 77.
Son yıllarda çok sayıda karar ağacı öğrenim metodu geliĢtirilmiĢtir ve kredi
baĢvurularında risk değerlendirmesi gibi bankacılık uygulamalarında baĢarılı olarak
kullanılmaktadır. Her bir karar ağacı insanın okuyabileceği eğer-doğruysa kuralıdır 78.
GeliĢtirilen karar ağaçları yöntemleri kredi baĢvuruları, risk değerlendirmesi gibi
uygulamalarda sıklıkla kullanılmaktadır. En sık kullanıma sahip karar ağacı modelleri
75
Mevlüt UYAN, Tayfun ÇAY,a.g.e.
ÖZGÜLBAġ, KOYUNCUGĠL, a.g.m., s.5.
77
Ali Serhan KOYUNCUGĠL, Bulanık Veri Madenciliği ve Sermaye Piyasalarına Uygulanması,
Ankara Üni. , FBE, Ġstatistik Anabilim Dalı, YayınlanmamıĢ Doktora Tezi, Ankara, 2006, s. 71.
78
a.g.t. , s. 72.
76
40
ID3 ve daha geliĢmiĢ modeli C4.5, Sınıflandırma ve Regresyon Ağaçları (Classification
and Regression Trees-CART) ve Otomatik Ki-kare EtkileĢim KeĢfedicisi (Dedektörü)OKEK(D)(Chi-Square Automatic Interaction Detector- CHAID) dir 79.
CHAID ile diğer yöntemler arasındaki en önemli farklılıklarından birisi, ağaç
türetim biçimidir. ID3, C4.5 ve CART ikili ağaçlar türetirken, CHAID ikili olmayan
çoklu ağaçlar türetir. CHAID sayısal ve sözel tüm değiĢken tipleriyle çalıĢabilmektedir.
Bununla beraber, sayısal tahmin edici değiĢkenler otomatik olarak analizin amacına
uygun olarak sınıflandırılmaktadır. CHAID, Ki-Kare yöntemi vasıtasıyla, ilgi düzeyine
göre farklılık içeren grupları ayrı ayrı sınıflamaktadır. Dolayısıyla, ağacın yaprakları,
ikili değil, verideki farklı yapı sayısı kadar dallanmaktadır 80.
3.2.3.2. Yapay Sinir Ağları
Bu yöntem, belirli bir profile uyuĢması için kalıp düzenlerini kontrol etmektedir
ve
bu
süreç içerisinde belli bir
öğrenme
faaliyeti
gerçekleĢtirerek
sistemi
geliĢtirmektedir. Yapay sinir ağlarında kullanılan öğrenme algoritmaları, veriden
üniteler arasındaki bağlantı ağırlıklarını hesaplar. Yapay Sinir Ağları istatistiksel
yöntemler gibi veri hakkında parametrik bir model varsaymaz yani uygulama alanı daha
geniĢtir ve bellek tabanlı yöntemler kadar yüksek iĢlem ve bellek gerektirmez 81.
YSA (Yapay Sinir Ağı), insan beyninin çalıĢma ilkelerinden ilham alınarak
geliĢtirilmiĢ, ağırlıklı bağlantılar denilen tek yönlü iletiĢim kanalları vasıtası ile
birbirleriyle haberleĢen, her biri kendi hafızasına sahip birçok iĢlem elemanından
(nöronlardan) oluĢan paralel ve dağıtık bilgi iĢleme yapılarıdır. YSA‟lar gerçek dünyaya
ait iliĢkileri tanıyabilir, sınıflandırma, kestirim ve iĢlev uydurma gibi görevleri yerine
getirebilirler. Desen tanıma (Pattern recognition) tekniğinin gerekliliği, gerçek dünya ile
79
ÖZGÜLBAġ, KOYUNCUGĠL, a.g.m. , s.6.
a.g.m., s. 6.
81
Kaan YARALIOĞLU, Veri Madenciliği,
http://www.deu.edu.tr/userweb/k.yaralioglu/dosyalar/ver_mad.doc, (31.11.2007)
80
41
bilgisayar iliĢkisinin baĢlaması ile ortaya çıkmıĢtır. Bu durum YSA‟nın çok güçlü örnek
tanıma tekniği olarak ortaya çıkmasına ve geliĢmesine neden olmuĢtur82.
Yapı kurulduktan sonra sinir ağacının eğitilmesine sıra gelir. GiriĢ verileri verilir
ve çıkıĢ değeri alınır. Bu değer gerçek değer ile karsılaĢtırılır ve ağın içerisindeki nöron
fonksiyonlarının bu sonuçtaki hata miktarına göre ayarlanması sağlanır. Bu Ģekilde
birçok değer ağa verilir ve ağın elimizdeki verinin yapısını öğrenmesi sağlanır. Öğrenme
iĢlemi tamamlandıktan sonra sinir ağımız kullanıma hazır hale gelir 83.
3.2.3.3. Genetik Algoritmalar
Diğer veri madenciliği algoritmalarını geliĢtirmek için kullanılan optimizasyon
teknikleridir. Sonuç model veriye uygulanarak gizli kalmıĢ kalıpları ortaya çıkarılmakta
ve bu sayede tahminler yapılabilmektedir. Doğrudan postalama, risk analizi ve
perakende analizlerinde kullanılabilir 84.
Genetik algoritma konusuna bir sonraki bölümde geniĢ olarak yer verilecektir.
3.2.3.4. Tahminleme Modelleri
Bu madencilik fonksiyonu bir nesneler kümesinin belirli özelliklerinin değer
dağılımını veya bazı eksik verilerin muhtemel değerlerini tahmin eder. Ġlgi özelliğine
bağlı özellikler kümesini bulmayı (örneğin, bazı istatistiksel analizler) ve seçilen
nesne(ler) benzer veri kümesine dayalı veri dağılımını tahmin etmeyi içerir. Örneğin, bir
çalıĢanın potansiyel maaĢı Ģirketteki benzer çalıĢanların maaĢ dağılımına dayalı olarak
tahmin edebilir. Genellikle regresyon analizi, genelleĢtirilmiĢ lineer model, korelasyon
analizi ve karar ağaçları kalite tahmininde yararlı olacaktır. Genetik algoritmalar ve sinir
ağı modelleri de tahminde popüler olarak kullanılır.
Tahmin yöntemlerine85:
• Doğrusal regresyon,
82
O. Ayhan ERDEM, Emre UZUN, Yapay Sinir Ağları ile Türkçe Times New Roman, Arial ve Elyazısı
Karakterleri Tanıma, Gazi Üniv. Müh. Mim. Fak. Der., Cilt 20, No 1, 2005, s.13.
83
YILMAZ, a.g.t., s. 104.
84
YARALIOĞLU, a.g.m.
85
YILMAZ, a.g.t., s. 104-105.
42
• Doğrusal olmayan regresyon,
• GenelleĢtirilmiĢ doğrusal regresyon,
• Lojistik regresyon,
örnek olarak gösterilebilir.
3.2.3.5. Zaman Serilerindeki Örüntü
Zaman serilerindeki örüntü, belirli bir süreçte belli sıklıkta gerçekleĢen olayları
ifade etmektedir. Belli sıklıkla tekrarlanan bu olaylar zaman serileriyle yapılan veri
madenciliği algoritmaları kullanılarak bulunabilir. Örneğin, her yıl yaz mevsiminin
baĢlangıcından sonbahara kadar geçen zaman içinde güneĢ kremi ve güneĢ yağı
alımlarında artıĢ olması her yıl belli zaman aralığında tekrarlanan bir örüntüyü temsil
etmektedir 86.
3.3. Veri Madenciliğinin Uygulama Alanları
Veri madenciliği hem özel hem de kamu iĢletmelerinde farklı amaçlarla
kullanılabilmektedir. Bankacılık, sigortacılık, ilaç sanayi ve perakende sektörü
maliyetleri azaltmak ve satıĢları artırmak amacıyla veri madenciliğini kullanmaktadırlar.
Örneğin sigortacılık ve bankacılık sektörü veri madenciliği uygulamalarını risk
değerlemesine yardımcı olması ve sahtekarlıkları ortaya çıkarmak amacıyla kullanırlar.
Uzun yıllar boyunca toplanan müĢteri verileri kullanılarak, iĢletmeler bir müĢterinin
kredi riskini tahmin eden modeller geliĢtirebilirler. Ġlaç sanayi bazen bir ilacın etkinliğini
tahmin etmede veri madenciliğini kullanabilir 87. Veri Madenciliğinin bazı uygulama
alanları Ģu Ģekilde özetlenebilir 88:
Bilimsel ve mühendislik verileri: Günümüzde çok sayıda bilimsel veri
üretilmektedir. Veri Madenciliği bu verilerin anlamlı bir hale getirilebilmesini
sağlamaktadır. Buna örnek olarak; çimento deneylerinde elde edilen verilerden
86
ÖZÇAKIR, a.g.t., s. 18.
Jeffrey W. SEIFERT, Data Mining: An Overview, CRS Report for Congress, 2004, s.3.
88
Adil BAYKASOĞLU, Veri Madenciliği ve Çimento Sektöründe Bir
http://ab.org.tr/ab05/tammetin/171.pdf, (30.11.2007)
87
Uygulama,
43
mukavemet analizi, üretim sistemlerinin benzetiminden elde edilen verilerden sistem
performansını etkileyen faktörlerin elde edilmesi, deprem verilerinin analizi ile deprem
ve etkilerinin tahmini, kalite kontrol uygulamaları verilebilir.
Sağlık verileri: Veri madenciliği sağlık alanında da sıklıkla uygulanmaktadır.
Veri madenciliğinin sağlık alanında kullanılmasına; yapılan testlerinden elde edilen
sonuçları kullanarak çeĢitli kanserlerin ön tanısının konulması, kalp krizi riskinin tespiti
örnek olarak verilebilir.
İş verileri: ĠĢ süreçleri boyunca çok sayıda veri üretilir. Bu veriler yönetimin her
kademesinde karar verme aĢamasında kullanılabilir. Personele ait verilerin analizi
sonucunda çalıĢanların performanslarına etki eden faktörler belirlenebilir ve yeni
personel alımında yeni kurallar oluĢturulabilir. MüĢteri veri tabanlarının analizi ile
reklam ve promosyon ile ilgili pek çok faydalı bilgiye de ulaĢılabilir.
Perakendecilik – marketçilik verileri: Bu alanda en çok kullanılan yöntem sepet
analizi yaklaĢımıdır. Sepet analizi yaklaĢımında amaç müĢterilerin satın aldıkları ürünler
arasında iliĢkiler kurmak ve bu iliĢkilerden yola çıkarak iĢletmenin satıĢ miktarını ve
karını artırmaktır.
Bankacılık, finans ve borsa verileri: Bankacılık sektöründe kredi riski
tahminlerinde, likidite riskinin değerlendirilmesinde, müĢteri eğilim analizlerinde, kar
analizi gibi alanlarda veri madenciliği kullanılmaktadır. Finans ve borsa kuruluĢları ise
stok fiyat tahminlerinde, portföy yönetimi gibi alanlarda veri madenciliği yöntemlerini
kullanabilirler.
Eğitim sektörü verileri: Öğrenci veri tabanlarından elde edilebilecek veriler
analiz edilerek öğrencilerin baĢarı ve baĢarısızlık nedenleri, öğrencilerin baĢarılarının
arttırılması için neler yapılabileceği, üniversiteye giriĢ puanları ile okul baĢarısı
arasındaki iliĢkiler analiz edilerek, eğitim kalitesi artırılabilir.
Internet (Web) verileri: Web ortamındaki verilerin sayısı da sürekli ve hızlı bir
Ģekilde artmaktadır. Web veri madenciliği, internetten faydalı bilgilerin bulunması
olarak tanımlanabilir. Web veri madenciliği birçok web sunucusu veya online servisten
44
kullanıcı taleplerinin analizi için kullanılır. Örneğin, internet üzerinden kitap satan
Amazon Ģirketi BookMatcher adlı programıyla müĢterilerin satın alma alıĢkanlıklarını
analiz ederek yeni kitap alan müĢterilerine tavsiyede bulunmaktadır.
Bu uygulamalara aĢağıdaki alanları da ekleyebiliriz89:
Pazarlama :
• MüĢterilerin satın alma örüntülerinin (pattern) belirlenmesi,
• MüĢterilerin demografik özellikleri arasındaki bağlantıların bulunması,
• Posta kampanyalarında cevap verme oranının artırılması,
• Mevcut müĢterilerin elde tutulması, yeni müĢterilerin kazanılması,
• MüĢteri iliĢkileri yönetimi (Customer Relationship Management),
• MüĢteri değerleme (Customer Value Analysis),
• SatıĢ tahmini (Sales Forecasting).
Bankacılık :
Farklı finansal göstergeler arasında gizli korelasyonların bulunması,
Kredi kartı dolandırıcılıklarının tespiti,
Kredi kartı harcamalarına göre müĢteri gruplarının belirlenmesi,
Kredi taleplerinin değerlendirilmesi.
Sigortacılık :
• Yeni poliçe talep edecek müĢterilerin tahmin edilmesi,
• Sigorta dolandırıcılıklarının tespiti,
• Riskli müĢteri örüntülerinin belirlenmesi.
89
Haldun AKPINAR, Veri Tabanlarında Bilgi KeĢfi ve Veri Madenciliği, İstanbul Üniversitesi İşletme
Fakültesi Dergisi, Cilt:29, Sayı:1, 2000, s. 80-81.
45
Bunların dıĢında da veri madenciliğinin faydalı olabileceği ve kullanılabileceği
diğer bazı alanlar;
• TaĢımacılık ve ulaĢım,
• Turizm ve otelcilik,
• Telekomünikasyon,
• Belediyeler,
Ģeklinde sıralanabilir.
46
DÖRDÜNCÜ BÖLÜM
4. Genetik Algoritmalar
GeçmiĢte, araĢtırmacılar problemleri çözerken parametre sayısının artıĢ
sorunuyla karĢılaĢmıĢlar ve bu durum problemlerde çözüme ulaĢamamaya ya da elde
edilen sonucun yorumlanamamasına neden olmuĢtur. Bu tür problemleri çözebilmek için
yeni teknikler bulunmaya çalıĢılmıĢ ve yapay zeka kavramı ortaya çıkmıĢtır. Yapay
zeka, insanların düĢünme ve davranma Ģekillerine benzetilmiĢ bir problem çözme
modelidir 90. Bu bölümde da yapay zeka tekniklerinden doğal olayları modelleyen bir
optimizasyon tekniği olan Genetik Algoritmalar(GA) anlatılacaktır.
4.1. Genetik Algoritma Kavramı
Genetik algoritmalar yapay zekanın bir dalı olan evrimsel hesaplama tekniğinin
bir parçasıdır ve Darwin‟in evrim teorisinden esinlenerek oluĢturulmuĢtur. John Holland,
öğrencileri ve arkadaĢları 1960‟lı yıllarda Rechenberg‟in “Evrim Stratejileri” isimli
kitabında bahsettiği evrimsel hesaplama kavramını geliĢtirmiĢlerdir. Holland evrim
sürecini kullanarak, bilgisayarlara farklı çözüm tekniklerinin öğretilebileceği fikrini öne
sürmüĢtür91.
1960‟lı yılların ortalarında John Holland mutasyon iĢlemine eĢleĢme ve
çaprazlama iĢlemlerini eklemiĢ ve doğal seçim problemleri için yeni bir programlama
metodu geliĢtirmiĢtir. Bu çalıĢması onun “genetik algoritma”nın kurucusu sayılmasına
neden olmuĢtur. Ardından tüm dünyada bu konu üzerinde yeni çalıĢmalar yapılıp
geliĢtirilmiĢ ve genetik algoritmalar farklı alanlarda uygulanmaya baĢlanmıĢtır 92.
90
BarıĢ GÜRSU, Melih Cevdet ĠNCE, Genetik Algoritmalar ile Yüksek Gerilim Ġstasyonlarında Optimum
Topraklama Ağı Tasarımı, Fırat Üni. , Fen ve Müh. Bil. Der. , 19 (4), 2007, s. 517.
91
Mustafa KURT, Cumali SEMETAY, Genetik Algoritma ve Uygulama Alanları,
http://www.mmo.org.tr/muhendismakina/arsiv/2001/ekim/Genetik_Algoritma.htm, (30.05.2008)
92
Hayrettin GENEL, Genetik Algoritmalarla Portföy Optimizasyonu, Ankara Üni. , SBE, ĠĢletme
Anabilim Dalı, YayınlanmamıĢ Yüksek Lisans Tezi, Ankara, 2004, s. 24.
47
Evrimsel algoritmalar, evrim yöntemlerini temel alan bilgisayar tabanlı problem
çözme ve optimizasyon tekniklerinden oluĢmaktadır. BaĢlıca teknikler; evrimsel
algoritma teknikleri, genetik algoritmalar, genetik programlama, evrim stratejileri,
sınıflandırma sistemleri ve evrimsel programlama olarak sıralanabilir. Bu tekniklerden
en yaygın olarak kullanılan yöntem “genetik algoritmalar”dır 93.
Genetik algoritmalar çözüme ulaĢmak için rassal arama tekniklerini kullanır ve
değiĢken kodlama esasına dayalı bir tekniktir. Genetik algoritmalar, farklı poblemlere
göre doğru parametreler ile çalıĢıldığı takdirde optimuma yakın çözümler verir. Bu
noktada amaç, doğal sistemlerin uyum sağlama özelliğini dikkate alarak yapay
sistemlerini oluĢturmaktır 94.
Bilinen optimizasyon yöntemleri ile çözülemeyen ya da çözümü çok zaman
gerektiren problemler için kullanılan GA optimal ya da optimale yakın çözüm
vermektedir. BaĢlangıçta doğrusal olmayan optimizasyon problemlerine uygulanan GA
sonraları gezgin satıcı, karesel atama, yerleĢim, çizelgeleme, tasarım gibi optimizasyon
problemlerinde baĢarıyla uygulanmıĢtır 95.
GA,
diğer
geleneksel
yöntemlerden
dört
temel
özelliği
ile
farklılık
96
göstermektedir :
a.
GA değiĢkenlerle değil, değiĢkenlerin kodları ile çözüm arar.
b.
GA çözüm uzayında tek bir noktadan değil, bir noktalar grubu üzerinden
arama yaparak en iyiyi sonucu bulmaya çalıĢır.
c.
GA amaç fonksiyonu (uyum fonksiyonu), kısıtlar gibi temel verileri
kullanır, bunların türevleri ya da diğer yardımcı bilgilere ihtiyaç duymaz.
d.
GA aramayı sebep-sonuç iliĢkileriyle değil, olasılıklı geçiĢ kuralları ile
yapar.
93
a.g.t., s. 24.
Orhan ENGĠN, Alpaslan FIĞLALI, AkıĢ Tipi Çizelgeme Problemlerinin Genetik Algoritma Yardımı ile
Çözümünde Uygun Çaprazlama Operatörünün Belirlenmesi, Doğuş Üni. Dergisi, 2002/6, s. 28.
95
Tuğba SARAÇ, FeriĢtah ÖZÇELĠK, Alternatif Rotaların Varlığında Üretim Hücrelerinin Genetik
Algoritma Kullanılarak OluĢturulması, Endüstri Müh. Der., Cilt 17, Sayı 4, s. 26.
96
a.g.m. , s. 27.
94
48
Genetik Algoritmaların Avantajları
Genetik algoritmalar, genellikle aĢağıdaki özelliklerden bir ya da daha fazla
özelliği taĢıyan karmaĢık problemlerin çözümünde optimal ya da optimale yakın
sonuçlar çıkaran etkili optimizasyon teknikleridir.
GA‟nın genel olarak avantajları Ģu Ģekilde sıralanabilir 97;
Sürekli ve ayrık parametreleri optimize eder,
Türevsel bilgiler gerekmez,
Maliyet fonksiyonunu geniĢ bir spektrumda araĢtırır,
Çok sayıda parametrelerle çalıĢma imkanı vardır,
Paralel bilgisayarlar kullanılarak çalıĢtırılabilir,
Global optimum değeri bulabilir,
Birden fazla parametrenin optimum çözümlerini elde edebilir.
4.2. Genetik Algoritmaların Çalışma Süreci
Tipik bir genetik algoritma, genetik algoritmalara özel süreçleri içeren bazı
adımlardan oluĢur. Örnek bir genetik algoritmanın çalıĢma adımları aĢağıdaki çizelgede
verilmiĢtir.
Çizelge 4.1. – Genetik Algoritmaların Çalışma Adımları
Sıra No
Yapılan İşlem
1
Gösterim (kodlama) yönteminin belirlenmesi
2
BaĢlangıç populasyonunun (ilk nesil) oluĢturulması
3
BaĢlangıç populasyonundaki her bireyin performansının amaç fonksiyonuna
göre hesaplanması
97
4
Yeni neslin oluĢturulmasında kullanılacak bireylerin seçilmesi
5
SeçilmiĢ bireylere genetik iĢlemlerin uygulanarak yeni neslin elde edilmesi
Mehmed ÇELEBĠ, Genetik Algoritma ile Yağlı Bir Trafonun Maliyet Optimizasyonu, C.B.Ü. Fen
Bilimleri Der., 3.1., 2007, s. 42.
49
6
Yeni neslin bireylerinin performanslarının uygunluk fonksiyonuna göre
hesaplanması
7
BitiĢ koĢulu sağlanmamıĢsa 4. adıma dönülmesi
8
BitiĢ koĢulu sağlanmıĢsa en iyi bireyin sonuç olarak dönülmesi
Tabloda gösterilen genetik algoritma adımları genel olarak verilmiĢtir. Bu
adımlar değiĢik problemler için değiĢik Ģekilde uygulanabilir. Ancak her durumda, bu
adımlar genetik algoritmaların temel bileĢenlerine dayanmaktadır.
4.2.1. Gösterim (Kodlama)
Genetik algoritma uygulamalarında ilk adım kodlamadır. Kodlama safhasında
parametreler, problemlerin çözümüne yardımcı bilgileri taĢıyan yapılara (kromozom)
kodlanır. Genelde kodlama yapısı 0 ve 1‟lerden oluĢmuĢ ikili dizilerden oluĢur.
Kodlanan parametrelerin sıralanması sonucunda kromozomlar elde edilir. Çok boyutlu
problemlerin çözümünde ikili kodlama her zaman iĢe yaramayabilir 98. AĢağıda farklı
kodlama tiplerine değinilmiĢtir 99:
a. İkili Kodlama: Kodlama türlerinin en basit olanıdır. Bu tür kodlamada her
kromozom 1,0 değerlerinden oluĢmuĢ dizilerden oluĢur.
b. Permütasyon Kodlaması: Bu kodlama türü sıralama problemlerinde sıklıkla
kullanılır. Travelling Salesman Problem (TSP) ve iĢ sıralaması (task order) bunlara
örnek olabilir. Her kromozom bir sayı dizisidir.
c. Değer Kodlama: Daha çok karmaĢık sayılarda kullanılan bir kodlama
çeĢitidir. Bu kodlamada her kromozom bir değer dizisidir, özel çarprazlama ve mutasyon
gerektirir.
98
A. Pervin AKYOL, Doğrusal Olmayan Ekonometrik Modellerin Genetik Algoritma YaklaĢımı ile
Parametre Tahmini, Gazi Üni. SBE, YayınlanmamıĢ Yüksek Lisans Tezi, 2006, s.7.
99
Ufuk OKUYUCU, “Genetik Algoritmalar”,
http://www.bilmuh.gyte.edu.tr/BIL523/presentations/ufuk/GenetikAlgoritmalarRapor.doc,
(01.01.2008)
50
d. Ağaç Kodlama: Ağaç kodlaması, ifadesel çözümler gerektiren problemlerde
kullanılır, her kromozom bir nesnenin ağacıdır. Bu bir fonksiyon ya da bir programlama
dilinde yazılmıĢ koddur. Ağaç olarak gösterilebilen çözümler için iyidir, bunun içinde
LISP dili iyi bir seçimdir.
4.2.2. Başlangıç Popülasyonunun Oluşturulması
BaĢlangıç popülasyonu; problemin çözümü için ilk olarak rastgele oluĢturulan ve
içerisinde problemin değiĢkenlerinin kodlarının bulunduğu bir gen havuzudur100. Gen
havuzu, kromozomların uygunluklarının kontrol edildiği ve kopyalama iĢleminin
yapıldığı yerdir 101.
GA‟da ilk adım kromozomların veya çözümlerin baĢlangıç popülasyonlarının
oluĢturulmasıdır.
Kromozomların popülasyonları rastgele
seçilmektedir. Genetik
algoritmada kullanılacak popülasyon büyüklüğünün belirlenmesi için net kurallar yoktur.
Popülasyon büyüklüğü problemin yapısına göre belirlenmelidir. Genelde bu sayı 100 ile
200 arasındadır. Ancak, popülasyonun büyük olması daha çok çeĢitlilik sağlayarak daha
sağlam sonuçlar verirken, genetik algoritmanın çalıĢması için ihtiyaç duyulan kaynak
gereksinimini artıracaktır. Genetik algoritmanın çalıĢmasında sonraki adımların daha
verimli olabilmesi için, baĢlangıç popülasyonunun olası çözümlerin önemli bir bölümünü
kapsayacak Ģekilde farklı çözümler barındıracak kadar geniĢ olması gereklidir 102.
4.2.3. Uyum Değeri
BaĢlangıç popülasyonu oluĢturulduktan sonraki ilk adım, popülasyondaki her
üyenin uygunluk değerini hesaplama adımıdır.
Çözümü aranan her problem için bir uygunluk fonksiyonu mevcuttur. Verilen
belirli bir kromozom için uygunluk fonksiyonu, o kromozomun temsil ettiği çözümün
kullanımıyla veya yeteneğiyle orantılı olan sayısal bir uygunluk değeri verir. Bu bilgi,
100
Muhammet YAMAN, Genetik Algoritma ile Kardan Mili Tasarımı, Gazi Üni. FBE, YayınlanmamıĢ
Yüksek Lisans Tezi, 2007, s. 13.
101
Paki TURĞUT, Abdussamet ARSLAN, Sürekli Bir KiriĢte Maksimum Momentlerin Genetik
Algoritmalar ile Belirlenmesi, DEÜ Fen ve Müh. Der., Cilt 3, Sayı 3, 2001, s. 3.
102
Adrian E. DRAKE , Robert E. MARKS, Genetic algorithms in economics and finance: Forecasting
stock market prices and foreign exchange- A review, In Shu-Heng Chen (Ed.), Genetic Algorithms
and Genetic Programming in Computational Finance, 2000, s. 36.
51
her kuĢakta daha uygun çözümlerin seçiminde yol göstermektedir. Bir çözümün
uygunluk değeri ne kadar yüksekse, yaĢama ve çoğalma Ģansı o kadar fazladır ve bir
sonraki kuĢakta temsil edilme oranı da o kadar yüksektir 103.
4.2.4. Seçim
Seçim, mevcut popülasyondaki hangi bireylerin genetik iĢlemlere tabi tutularak
yeni nesillerin oluĢturulmasında kullanılacağını belirler. Mevcut popülasyon içerisinden
seçilen bu bireyler yeni neslin ataları olmaktadır.
Farklı seçim metotları bulunmaktadır. Bunlardan ilki Holland‟ın adayları bir
olasılık dağılımına göre seçtiği yöntemdir. Bir adayın seçilme olasılığı, onun tüm
popülasyondaki performansına bağlıdır. Bu sayede daha iyi performans gösteren
adaylara seçim için daha büyük bir Ģans verilmiĢ olur. Bu metot rulet tekerleği metodu
olarak bilinmektedir, ancak küçük popülasyonlar için uygun değildir 104.
4.2.5. Genetik Operatörler
Mevcut popülasyon üzerine uygulanan iĢlemler genetik operatörler olarak
adlandırılır. Bu operatörlerin amacı daha iyi özelliğe sahip yeni nesiller üretmek ve
arama algoritmasının alanını geniĢletmektir 105. Farklı uygulamalarda farklı operatörler
kullanılmakla birlikte genetik algoritmada 2 standart operatör kullanılır. Bu operatörler:
-Çaprazlama (Crossover),
-Mutasyon (Mutation)„dur.
4.2.5.1. Çaprazlama
Çaprazlama operatöründe amaç, iyi uygunluk değerine sahip iki bireyin iyi
özelliklerini birleĢtirerek daha iyi sonuçlar elde etmektir. Ancak hangi özelliklerin iyi
performans sağladığı bilinmediğinden, özelliklerin takas edilmesi Ģeklinde bir birleĢim
103
104
105
Özgür YENĠAY, “An Overview of Genetic Algorithms”, Anadolu Üniversitesi Bilim ve Teknoloji
Dergisi, Cilt: 2, Sayı: 1, 2001, s. 38-39.
Robert PEREIRA, Genetic Algorithm Optimisation for Finance and Investment, Latrobe University
School of Business Discussion Papers, 2000, s. 5-6.
Öznur ĠġÇĠ, Serdar KONUKOĞLU, Genetik Algoritma YaklaĢımı ve Yöneylem AraĢtırmasında Bir
Uygulama, Celal Bayar Üni. , Yönetim ve Ekonomi Dergisi, Cilt:10, S. 2, s. 195.
52
rassal olarak gerçekleĢtirilir 106. Çaprazlamada iki çözümün yapıları kullanılarak yeni ve
daha iyi bir çözüme ulaĢılmaya çalıĢılır 107. Çaprazlama tek nokta, iki nokta ve üniform
çaprazlama olarak sınıflandırılır. Genel olarak küçük popülasyonlar için üniform
çaprazlama,
büyük
popülasyonlar
için
ise
tek
ve
iki
nokta
çaprazlama
kullanılmaktadır 108. Bu operatörler kısaca Ģu Ģekilde ifade edilebilir 109:
Tek Noktalı Çaprazlama
Tek noktalı çaprazlama operatörü, bir kromozomdan rastgele bir çaprazlama
noktası seçen ve ardından ve iki yeni yavru elde etmek için bu noktada iki ana
kromozomu değiĢtiren bir operatördür.
(-) imleci rastgele seçilen çaprazlama noktasını belirtmektedir.
Ana Kromozom 1 : 11001-010
Ana Kromozom 2 : 00100-111
Çaprazlama noktasında ana kromozomlar değiĢtirildiğinde aĢağıdaki yavrular
elde edilir:
Yavru 1 : 11001- 111
Yavru 2 : 0100 -010
İki Noktalı Çaprazlama
Ġki noktalı çaprazlama operatörü öncelikle bir kromozomda rastgele iki
çaprazlama noktası seçer ve ardından iki yeni yavru üretmek için bu noktalar arasında
iki ana kromozomu değiĢtirir.
Ġki ana kromozomun çaprazlama için seçildiğini varsayalım. (-) imleci rastgele
seçilen çaprazlama noktalarını belirtmektedir.
106
Hakan ER, M. Koray ÇETĠN, Emre ĠPEKÇĠ ÇETĠN, Finansta Evrimsel YaklaĢımlar: Genetik
Algoritma Uygulamaları, Akdeniz İİBF Der. (10), 2005, s. 76.
107
Öznur ĠġÇĠ, Serdar KORUKOĞLU, a.g.m. , s. 195.
108
Aysun COġKUN, Genetik Algoritma Kullanılarak Kimyasal Maddelerin Deriden Geçiş
Katsayılarının ve Molekül Yapılarının Bulunması, Gazi Üni. , FBE, Doktora Tezi, 2006, s. 65.
109
Genetic Server/Library, “Crossover”, http://www.nd.com/products/genetic/crossover.htm,
(01.01.2008).
53
Ana Kromozom 1 : 110-010-10
Ana Kromozom 2 : 001-001-11
Ana kromozomları çaprazlama noktaları arasında değiĢtirdikten sonra aĢağıdaki
yavrular üretilir:
Yavru 1 : 110-001-10
Yavru 2 : 001-010 -11
Uniform Çaprazlama
Uniform operatörü, yavru kromozomlardaki gen değerlerine hangi ana
kromozomun katılacağına karıĢma oranı adı verilen bir olasılıkla karar veren
operatördür. Bu operatör ana kromozomların bölünme sırasından çok gen seviyesinde
karıĢtırılmalarına izin verir. Örneğin karıĢma oranı 0.5 ise; yaklaĢık olarak yavrudaki
genlerin yarısı 1. ana kromozomdan, diğer yarısı da 2. kromozomdan gelecektir.
4.2.5.2. Mutasyon
Mutasyon, kromozom dizisindeki tek
bir elemanın değerinin rastgele
değiĢmesidir. Mutasyon iĢleminde amaç, var olan bir kromozomun genlerinin yerlerini
değiĢtirerek yeni kromozom oluĢturmaktır. Yeni nesillerin üretimi sonucunda bir süre
sonra nesildeki kromozomlar birbirini tekrarlar hale gelebilir ve bunun sonucunda farklı
kromozom üretimi durabilir veya artık çok az sayıda farklı kromozomlar üretilmeye
baĢlanır. Bu nedenle kromozomların çeĢitliliğini arttırmak için kromozomlardan bazıları
mutasyona uğratılır.
Yapay sistemlerde mutasyon iĢlemi sırasında gen sayısında bir değiĢiklik olmaz.
Doğal popülasyonlarda mutasyon oranı oldukça düĢüktür. Mutasyon frekansının
büyüklüğü Genetik Algoritmanın performansını etkiler. Mutasyon iĢlemi bir tek
kromozom üzerinde yapılır. Mutasyon frekansına göre, mutasyona uğratılacak sayıdaki
54
diziler popülasyondan rassal olarak seçilir ve belirlenen mutasyon yöntemine göre
değiĢime uğratılır 110.
Mutasyon genetik algoritma iĢlemlerinde ikincil bir rol oynamaktadır. Mutasyon
iĢlemi gereklidir, çünkü çaprazlama bazı potansiyel yararı olan genetik materyallerin
kaybına neden olabilmektedir. Yapay genetik sistemlerde mutasyon operatörü böyle bir
kaybı önlemektedir 111.
4.2.6. Uygunluk Değerinin Hesaplanması
Bu adımda, her bir kromozom için daha önceden belirlenmiĢ olan uygunluk
fonksiyonu kullanılarak uygunluk değeri hesaplanır.
4.2.7. Bitiş Koşulu Kontrolü
Bu adımda, bitiĢ koĢulunun sağlanıp sağlanmadığı kontrol edilir. BitiĢ koĢulu
iterasyon sayısı olabildiği gibi, optimizasyon türüne göre ulaĢılmak istenilen minimum
veya maksimum değer de olabilir.
4.2.8. Sonucun Elde Edilmesi
BitiĢ koĢulu sağlandıktan sonra gerçekleĢen bu son adımda, elde edilen en iyi
birey kullanıcıya sonuç olarak verilir.
4.3. Genetik Algoritmaların Uygulama Alanları
Genetik algoritmalar karmaĢık problemleri hızlı ve optimale yakın olarak
çözebilmektedirler.
KarmaĢık
problemlerin
geleneksel
yöntemlerle
çözülmeye
çalıĢılması çok fazla zaman harcanmasına neden olmaktadır. Ancak bu tür problemler
genetik algoritma yardımıyla kısa sürede çözülebilmektedirler 112.
110
Serkan KAYA, Operasyonel Sabit İş Çizelgeleme Problemlerinin Genetik Algoritma ile Çözümü,
Selçuk Üni., FBE, Yüksek Lisans Tezi, 2006, s. 25-26.
111
David M. TATE, Alice E. SMITH, Expected Allele Coverage and the Role of Mutation in Genetic
Algorithms”,
http://reference.kfupm.edu.sa/content/e/x/expected_allele_coverage_and_the_role_of_529189.pdf
, (01.01.2008)
112
G. Gökay EMEL, Çağatan TAġKIN, Genetik Algoritmalar ve Uygulama Alanları, Uludağ Üni. , İİBF
Dergisi, Cilt XXI, Sayı 1, 2002, s. 138.
55
Genetik algoritmalar günümüzde pek çok alanda uygulanmaktadır. Genetik
algoritmaların uygulama alanları genel uygulama alanları ve iĢletmelerdeki yaygın
uygulama alanları olmak üzere iki sınıfa ayrılabilir.
4.3.1 Genel Uygulama Alanları
Genetik algoritmaların genel uygulama alanları aĢağıdaki gibi verilebilir:
4.3.1.1 Optimizasyon
Genetik algoritmalar, farklı alanlardaki optimizasyon problemlerini çözmede
kullanılmaktadır. Genetik algoritmaların uygulandığı optimizasyon problemleri, sayısal
optimizasyon ve birleĢik optimizasyon altında toplanabilir. Genetik algoritma
uygulamalarının bir çoğu sayısal optimizasyon ile ilgilidir. Genetik algoritmalar,
geleneksel optimizasyon tekniklerine göre zor, süreksiz ve gürültü içeren fonksiyonları
çözmede daha etkindirler.
BirleĢik optimizasyon problemleri sınırlı kaynakların (iĢgücü, tedarik, bütçe vb.)
etkin tahsis edilmesiyle ilgilidir. Burada geçen "birleĢik" kelimesi, belirli sayıda uygun
çözümün olmasını ifade eder. BirleĢik optimizasyon kısaca belirli bir problem için bir ya
da daha fazla optimal çözüm bulma sürecidir. Bu tür problemler iĢletme biliminin birçok
dalında da (finans, pazarlama, üretim, stok kontrolü, veritabanı yönetimi vb.) ortaya
çıkmaktadır. Gezgin satıcı problemi, araç rotalama problemi, Çinli postacı problemi, iĢ
atölyesi çizelgeleme problemi, atama problemi, yerleĢim tasarımı problemi ve sırt
çantası problemleri birleĢik optimizasyon problemlerine örnek olarak verilebilir. BirleĢik
optimizasyon problemlerinde, incelenen değiĢken sayısının artması, problemin çözüm
süresini artırmaktadır. Çözüm uzayının tamamının taranmasını gerektiren geleneksel
çözüm yöntemlerinde problem çözümü değiĢken sayısının artmasıyla imkansız hale
gelebilirken,
genetik
algoritmalar
kullanılarak
ulaĢılabilmektedir 113.
113
G. Gökay EMEL, Çağatan TAġKIN, a.g.m., s. 138-139.
çözüme
daha
kısa
sürede
56
4.3.1.2 Otomatik Programlama ve Bilgi Sistemleri
Genetik Algoritmalar, belirli uygulamalar için bilgisayar programları ve belli
amaçlar doğrultusunda tasarlanmıĢ sürekli öğrenen etmenleri geliĢtirmede de
kullanılabilir 114.
4.3.2 İşletmelerdeki Uygulama Alanları
Genetik algoritmaların iĢletmelerdeki kullanım alanlarını Ģu Ģekilde ifade
edebiliriz:
4.3.2.1 Finans
Genetik algoritmalar karmaĢık finans problemlerini çözmek için çok geçerli bir
tekniktir. Genetik algoritmaların finansal piyasalardaki bazı uygulamaları: getirilerin
tahmini, portföy optimizasyonu ve iĢlem kurallarının keĢfedilmesidir 115.
Getirilerin Tahmin Edilmesi
Genetik algoritmalar iĢletmelerde yatırım yöneticilerince getirileri tahmin etmede
kullanılmaktadır. Örneğin Leinweber ve Arnott, genetik algoritmayı kendi varlık
dağılımı modellerinde uygulayarak, fonlarının performansını önemli ölçüde artırdıklarını
belirtmiĢlerdir 116. Bununla birlikte, Mahfoud, Mani ve Reigel stratejik varlık
dağılımında faydalı olan bireysel hisselerin getiri tahmininde genetik algoritmaların nasıl
kullanılabileceğini göstermiĢlerdir 117. Bu çalıĢmalarının sonucunda, doğrusal metotlara
göre genetik algoritmaların ne kadar önemli bir tahmin yeteneklerinin olduğunu ortaya
koymuĢlardır.
Portföy Optimizasyonu
Yatırım yönetiminde bir diğer önemli fonksiyon da bir portföydeki menkul
kıymetlerin ağırlıklarını belirlemektir. Bu süreç portföy optimizasyonu olarak
114
Emine TUĞ, a.g.t., s.17.
Robert PEREIRA, a.g.m., s. 19-20.
116
David J. LEINWEBER, Robert D. ARNOTT, Quantitative and Computational Innovation in
Investment Management, The Journal of Portfolio Management, 1995, 21, 8-15.
117
Samir MAHFOUD, G. MANI and S. REIGEL, Nonlinear versus Linear Techniques for Selecting
Individual Stocks, Decision Technologies for Financial Engineering, World Scientific, 1997, 65-75.
115
57
adlandırılır. Özellikle büyük bir çözüm uzayıyla karĢı karĢıya kalındığında bir
portföydeki menkul kıymetlerin ağırlıklarını bulmak için genetik algoritmalar
kullanılabilir.
İşlem Kurallarının Keşfi
Genetik algoritmalar, karlı iĢlem kurallarını bulmak için de kullanılmaktadırlar.
Örneğin Bauer, Amerikan hisse senetleri ve tahvil piyasaları için genetik algoritma
kullanarak bir iĢlem kuralı geliĢtirmiĢtir. Bu kurallar finansal piyasalar ve ekonomi
arasındaki iliĢkiyi ortaya çıkarmak için aylık makroekonomik verilerin kullanılmasını
ifade etmektedir. Sonuçlar olumlu çıkmıĢ ve küçük karlar elde edilmiĢtir. Ancak bu
karların istatistiksel önemi araĢtırılmamıĢtır. Daha sonra bu metodoloji döviz piyasasına
uygulanmıĢ ve ümit verici sonuçlar ortaya çıkmıĢtır 118.
Genetik algoritmaların yukarıda sayılanların dıĢında uygulama alanları da
mevcuttur. Bunlar kısaca; hisse senedi fiyatlarındaki değiĢimleri tahmin etmek ve
bulmak, kaynak dağılımı ve uluslararası sermaye dağılımı stratejilerini belirlemek,
endeks takibi, çok dönemli portföy yönetim sistemlerinin kurulması, yine minimum
iĢlem lotlu portföy seçimi problemlerinin çözümü, daha yüksek getiriler elde etmek için
FX (Foreign Exchange) piyasalarındaki iĢlem kuralları geliĢtirmek, müĢterilerinin kredi
değerliliğini ölçmek, yatırım araçlarının performansını belirlemek, iĢletmelerdeki mali
kayıpların araĢtırılması, finansal opsiyonların geliĢtirilmesi, kredi kartı puanlama,
piyasalar ile ilgili tahminleri ve Ģirketlerdeki iflas tahminlerini yapmak olarak
sıralanabilir 119.
4.3.2.2 Pazarlama
Pazarlamanın en önemli fonksiyonları; tüketicilere ait verileri analiz etmek,
çeĢitli tüketici davranıĢlarını ortaya çıkarmak ve bu davranıĢları göz önünde
bulundurarak pazarlama stratejileri uygulamak olarak sıralanabilir. Tüketicilerin
profilleri çıkarılarak, belirli satın alma davranıĢları ortaya çıkabilmektedir. Ancak bu
davranıĢları ortaya çıkarabilmek için çok sayıda verinin önce veri tabanlarına iĢlenmesi
118
119
Robert PEREIRA, a.g.m., s. 20.
G. Gökay EMEL, Çağatan TAġKIN, a.g.m., s. 141-142.
58
ve bu veri tabanlarının da iĢletme amaçları doğrultusunda hızlı ve etkin biçimde
kullanılması gerekmektedir. Burada kullanılacak yöntem veri madenciliği sürecidir.
Pazarı ve tüketiciyi tanımada veri madenciliği çok önemli bir rol oynar, önce veriyi
bilgiye bilgiyi de güvenli kararlara dönüĢtürür. Veri madenciliği müĢteri tatmini ve
rekabet edebilme yeteneği gibi iĢletme açısından hayati konularda kullanım alanına
sahiptir. Veri madenciliğinde kullanılan tekniklerden birisi de genetik algoritmadır.
Genetik algoritmalar kullanılarak veri yığınlarından modeller elde edilmekte ve
pazarlama alanının farklı dallarında sıklıkla kullanılmaktadır 120.
4.3.2.3 Üretim
Genetik algoritmalar üretim alanında da sıklıkla uygulanmaktadırlar. Üretim
alanında uygulama alanları Ģu Ģekilde sıralayabiliriz: Montaj hattı dengeleme,
çizelgeleme, tesis yerleĢim, atama, hücresel üretim, sistem güvenilirliği, taĢıma, gezgin
satıcı, araç rotalama, minimum yayılan ağaç problemlerinin çözümü.
120
a.g.m., s. 142.
59
BEŞİNCİ BÖLÜM
5.Uygulama
Bu bölümde ikinci bölümde anlatılan CRISP-DM veri madenciliği sürecinin
gerçekleĢtirilen uygulamada nasıl hayata geçirildiği hakkında bilgi verilecektir.
5.1. İşin Kavranması
Bu çalıĢmada amaç; 1995 – 2007/6 döneminde Ġstanbul Menkul Kıymetler
Borsa‟sında sürekli olarak iĢlem gören hisse senetlerinin aylık getirileri göz önünde
bulundurularak, seçilecek portföy performansı ölçütü, portföyde bulundurulmak istenen
hisse senedi sayısı, hisse senetlerine ayrılacak minimum ve maksimum ağırlık değerleri
kısıtları çerçevesinde veri madenciliği yardımı ile optimale en yakın portföyün
belirlenmesini sağlamaktır.
5.2. Verinin Kavranması
Bu aĢamada ilk olarak Ġstanbul Menkul Kıymetler Borsası‟nda iĢlem gören tüm
hisse senetlerinin ele alınması düĢünülmüĢ ve 1995 yılında 205, 2007 yılında 319,
günümüzde ise 340 adet hisse senedinin iĢlem gördüğü tespit edilmiĢtir. Daha sonra, bu
durumda tüm hisse senetlerine ait eĢit sayıda veriye sahip olunamayacağı, bazı hisse
senetlerinin belli bir süre iĢlem gördükten sonra tahtasının iĢleme kapatıldığı ve bazı
hisse senetlerinin de ele alınan dönem içerisinde farklı bir tarihte iĢlem görmeye
baĢlaması gibi sebepler göz önünde bulundurularak 1995 – 2007/6 döneminde kesintisiz
olarak iĢlem gören 122 adet hisse senedinin uygulamada kullanılmasına karar
verilmiĢtir.
Belirlenen amaca ulaĢabilmek için her bir hisse senedine ait 1995 – 2007/6
arasındaki aylık getiri, istenen performans ölçütlerinin hesaplanabilmesi için ĠMKB 100
endeksi ve her yıla ait risksiz faiz oranı bilgilerine ihtiyaç duyulduğu belirlenmiĢtir.
5.3. Verinin Hazırlanması
Belirlenen 122 adet hisse senedinin her birine ait 1995 – 2007/6 yılları arasındaki
aylık getiri verileri Microsoft Excel formatında Ġstanbul Menkul Kıymetler Borsası web
60
sitesinden elde edilmiĢtir.
Yine 1995 – 2007/6 yılları arasında ĠMKB 100 bileĢik
endeksine ait aylık endeks verileri yine Ġstanbul Menkul Kıymetler Borsası web
sitesinden, yine aynı yıllara ait risksiz faiz oranları ise TC Merkez Bankası web
sitesinden elde edilmiĢtir.
Risksiz faiz oranları göz önünde bulundurulurken hazine bonosu faiz oranları ya
da repo faiz oranları kullanılmamıĢtır. Bu oranların yerine bankaların uyguladıkları
mevduat faiz oranları kullanılmıĢtır. Bunun nedeni; farklı tarihlerde ihraç edilen hazine
bonolarının vadelerinin farklı olması ve repo faiz oranlarının kriz dönemlerinde
%5000‟lere kadar çıkması ve volatilitenin çok fazla olmasıdır. Yıllar itibariyle
bankaların uyguladıkları mevduat faizi oranları TC Merkez Bankası web sitesinden,
bankaların dönem içerisinde uyguladıkları maksimum ve minimum faiz oranlarının
ortalaması bulunarak hesaplanmıĢtır. Ardından bu oranların geometrik ortalaması
bulunarak 1995 – 2007/6 döneminde aylık ortalama risksiz faiz oranı hesaplanmıĢtır.
Formül hesaplamalarında bu oran r f (risksiz faiz oranı) olarak kullanılmıĢtır.
Hisse senetleri için aylık getiriler bir hisse senedinin bir ay boyunca elde
tutulması sonucunda elde edilen getiriyi göstermekte olup aĢağıdaki formüle göre
hesaplanmıĢtır.
Gi
=
Fi * ( BDL BDZ 1) R * BDL T
Fi 1
Fi
1
G i = i ayına ait getiri,
F i = i ayına ait en son kapanıĢ fiyatı,
BDL = Ay içinde alınan bedelli hisse adedi,
BDZ = Ay içinde alınan bedelsiz hisse adedi,
R = Rüçhan hakkı kullanma fiyatı,
T = Ay içinde 1 TL nominal değerli bir hisse senedine ödenen temettü tutarı,
Fi
1
= i ayından bir önceki aya ait en son kapanıĢ fiyatı.
61
Ardından hisse senetlerinin ve ĠMKB 100 bileĢik endeksinin ortalama getirileri
hesaplanmıĢtır. Bu
hesaplamada
aritmetik
ortalama
yerine
negatif getirilerin
hesaplamayı yanıltmaması için geometrik ortalama kullanılmıĢtır. Geometrik ortalama
aĢağıdaki Ģekilde formüle edilmiĢtir.
n
1 + rt =
(1 rt )
n
t 1
rt = n dönemin ortalama getirisi,
n = dönem sayısı,
r t = t. dönemin getirisi.
122 hisse senedinin geometrik ortalama yöntemine göre bulunan aylık ortalama
getirileri EK-3 ve EK-4‟te sunulmuĢtur.
Portföy performans ölçüleri hesaplanırken Ģu adımlar izlenmiĢtir:
Sharpe Performans Değerleme Yöntemi
Öncelikle 122 adet hisse senedinin 1995–2007/6 dönemindeki aylık getirileri
alınmıĢ ve bu getirilerin 150 aylık geometrik ortalaması alınarak aylık ortalama getirileri
hesaplanmıĢtır. Hazırlanan program; verilen kısıtlar doğrultusunda öncelikle portföye
alınacak hisse senetlerinin ortalama getirileri ile programın bu hisse senetlerine verdiği
ağırlıkları çarpıp toplayarak portföyün ortalama getirisini hesaplayacak, ardından bu
getiriyi risksiz faiz oranından çıkaracak ve çıkan sonucu portföyün standart sapmasına
bölecektir.
SPÖ = (R p - R f )/
p
SPÖ = Sharpe performans değerleme yöntemi,
R p = p portföyünün getirisi,
R f = Risksiz faiz oranı,
p
= p portföyünün getirisinin standart sapması.
62
Treynor Performans Değerleme Yöntemi
Treynor performans değerleme yöntemi hesaplanırken, Sharpe oranının
hesaplanmasındaki adımlar uygulanmıĢtır. Ancak burada portföyün standart sapması
yerine, hisse senetlerinin beta katsayıları kullanılmıĢtır. Beta katsayıları hesaplanırken
öncelikle hisse senetlerinin 1995-2007/6 dönemindeki getirileri ve ĠMKB 100
endeksinin getirileri dikkate alınarak korelasyon katsayıları hesaplanmıĢ, ardından
bulunan katsayılar hisse senetleri ve ĠMKB 100 bileĢik endeksinin standart sapmasıyla
çarpılarak kovaryanslar hesaplanmıĢ, son olarak da bulunan kovaryanslar endeksin
varyansına bölünerek her bir hisse senedinin beta katsayıları hesaplanmıĢtır. Treynor
performans değerleme yönteminin hesaplanmasında kullanılacak beta katsayısı ise;
portföye alınacak hisse senetlerinin beta katsayılarının basit ağırlıklı ortalamasıdır.
Hisse senetlerinin beta katsayıları EK-3 ve EK-4‟te sunulmuĢtur.
TPÖ = (R p - R f )/
p
TPÖ = Treynor performans değerleme yöntemi,
R p = p portföyünün beklenen getirisi,
R f = Risksiz faiz oranı,
p
= p portföyünün beta katsayısı.
Ancak Treynor performans değerleme yöntemi hesaplanırken dikkat edilmesi
gereken bazı hususlar bulunmaktadır. Örneğin; eğer portföyün ortalama getirisi risksiz
faiz oranından küçükse ve aynı zamanda portföye alınan hisse senetlerinin ortalama
betası da negatif bir değer alırsa sonuç pozitif bir sayı çıkabilir. Hatta çıkan sonuç çok
yüksek değerler alabilir. Bu durum bizim performansı yanlıĢ yorumlamamıza neden
olacaktır. Bu nedenle geliĢtirilen program bu olasılığı yok edecek Ģekilde hazırlanmıĢtır.
Dikkat edilmesi gereken bir baĢka durum da portföyün ortalama getirisinin risksiz faiz
oranından büyük olması, ancak portföye alınan hisse senetlerinin basit ağırlıklı ortalama
beta değerlerinin negatif bir değer almasıdır. Bu durumda da performans negatif bir
değer alacak ve yine bizim sonuçları yanlıĢ yorumlamamıza neden olacaktır.
63
Treynor performans değerleme yöntemi hesaplanırken bu tür olumsuzluklardan
korunmak için portföyden kabul edilebilir minimum getiri oranının hesaplanması ve bu
getiri oranıyla portföyün ortalama getiri oranının karĢılaĢtırılması gerekmektedir. Bir
baĢka ifade ile eğer ki portföyün kabul edilebilir minimum getiri oranı portföyün
ortalama getiri oranından küçükse performans değeri negatif çıksa dahi portföyün
performansının arzulanan bir düzeyde olduğu yorumu yapılacaktır.
Portföyden kabul edilebilir minimum getiri oranı Ģu Ģekilde hesaplanmaktadır:
E(r p ) = r f +
p
(r m -r f )
E(r p ) = Portföyün kabul edilebilir minimum getiri oranı,
r
f
= Risksiz faiz oranı,
p
= Portföyün ağırlıklı ortalama beta değeri,
rm
= Piyasanın (ĠMKB 100) ortalama getirisi.
Jensen Performans Değerleme Yöntemi
Jensen performans değerleme yöntemi hesaplanırken yine portföye alınacak hisse
senetlerinin beta değerleri kullanılmıĢtır. Jensen performans ölçütünün formülü;
Ri ,t
i
R f ,t =
i
i
Rm,t
R f ,t
= Jensen Ölçütü
Ri ,t = i portföyünün t dönemindeki ortalama ( piyasa ) getirisi,
R f ,t = t dönemindeki risksiz faiz oranı,
i
= Sistematik risk ölçüsü,
Rm,t = t dönemindeki piyasa portföyünün ortalama ( piyasa ) getirisi.
biçimindedir.
64
Jensen performans ölçütünün pozitif bir değer alması, portföyün piyasa
performansından daha iyi bir performans gösterdiğinin göstergesidir. Çünkü piyasanın
betası 1‟dir ve piyasanın Jensen performans değeri sıfır (0)‟dır.
Bu verilerin elde edilmesinden sonra verilerin gerçekleĢtirilen uygulamada
kullanılacağı düĢünülerek SQL Server 2005 Veri Tabanı Yönetim Sistemi‟nde ġekil 5.1
de gösterilen veri tabanı tasarlanmıĢ ve uygulanmıĢtır.
Aylik
Endeks
MenkulKodu
Yıl
Tarih
Endeks
AylıkGetiri
Sharp
Treynor
Jensen
Sıra
Şekil 5.1. Proje İçin Tasarlanan Veri Tabanı
SQL Server 2005 üzerinde uygulanan veri tabanına daha önce internetten elde
edilen Microsoft Excel formatındaki veriler aktarılmıĢtır.
Bu çalıĢmada uygunluk değeri olarak portföylerin portföy performansı seçilmiĢtir
ve bu değer genetik programlama uygulanırken hesaplanmıĢtır. Bu programlara ait
kodlar EK-1‟de verilmiĢtir.
5.4. Modelleme
Bu aĢamada optimale en yakın portföyü oluĢturabilmek için genetik algoritmalar
kullanılmıĢtır.
65
Genetik algoritma ile optimizasyon yapılması sırasındaki ilk iĢlem kromozom
yapısının belirlenmesidir. Bu çalıĢmadaki kromozom uzunluğu seçilen portföy sayısına
göre değiĢkenlik göstermektedir. ÇalıĢmada kullanılan kromozom yapısı ġekil 5.2‟de
gösterilmiĢtir.
yi
ri
yi+1
…….
ri+1
…….
…….
…….
z
Şekil 5.2. Uygulamada kullanılan kromozomun genel yapısı
yi
: i. Hisse senedine verilen ağırlık
ri
: Portföye dahil edilen i. hisse senedinin ortalama getirisi
z
: portföyün getirisi
ġekil 5.2‟deki yapıya uygun olarak 6 hisse senedinden oluĢan bir kromozom
yapısı ġekil 5.3‟de gösterilmiĢtir. Burada kromozom içerisinde i. hisse senedi, o hisse
senedinin tek bir dönemdeki getirisini değil, incelenen tüm dönemlerdeki ortalama
getirisini göstermektedir.
13
r5
20
r105
19
r85
11
r60
20
r30
17
r12
0.05
Şekil 5.3. Örnek bir kromozom yapısı
Kromozom yapısı belirlendikten sonra sırada amaç fonksiyonun belirlenmesi
vardır. Bu uygulamada kullanılan amaç fonksiyon aĢağıda verilmiĢtir.
gi
: i. Hisse senedinin aylık getiri ortalaması
yi
: i. Hisse senedine verilen ağırlık
z
: portföyün getirisi
Bilindiği gibi genetik algoritmalarda iki adet operatör kullanılmaktadır.
Bunlardan birincisi çaprazlama operatörüdür. Bu uygulamada çaprazlanacak bireylerin
66
belirlenmesinde rulet tekerleği algoritmasından faydalanılmıĢtır. Bu
çalıĢmada
kullanılan rulet tekerleği seçimi yöntemi aĢağıda açıklanmıĢtır 121:
Tüm bireylerin uygunluk değerleri bir tabloya yazılır.
Bu değerler toplanır.
Tüm bireylerin uygunluk değerleri toplama bölünerek [0,1] aralığında sayılar
elde edilir. Bu sayılar bireylerin seçilme olasılıklarıdır. Sayıların hepsi bir
tabloda tutulur.
Seçilme olasılıklarının tutulduğu tablodaki sayılar birbirine eklenerek
rastgele bir sayıya kadar ilerlenir. Bu sayıya ulaĢıldığında ya da geçildiğinde
son eklenen sayının ait olduğu çözüm seçilmiĢ olur.
Bu yönteme rulet tekerleği seçimi ismi, bir daireyi, çözümlerin uygunluklarına
göre dilimleyip çevirdiğimizde olacakların benzeĢimi olduğu için verilmiĢtir.
Rulet tekerleği seçimi çözümlerin uygunluk değerlerinin negatif olmamasını gerektirir.
Çünkü olasılıklar negatif olursa bu çözümlerin seçilme Ģansı yoktur. Çoğunluğunun
uygunluk değeri negatif olan bir toplumda yeni nesiller belli noktalara takılıp kalabilir.
Ayrıca tek noktadan çaprazlama yapılmıĢtır. Çaprazlama iĢleminde öncelikle
rastgele bir çaprazlama noktası belirlenmekte ve bu noktadaki hisse senetleri karĢılıklı
olarak bireyler arasında yer değiĢtirmektedir. AĢağıda çaprazlama iĢlemine ait bir örnek
gösterilmiĢtir.
1. Birey:
13
5
20
105
19
85
11
60
20
30
17
12
0.05
20
96
11
72
20
22
16
11
13
10
0.1
2.Birey:
20
121
8
Selim
DÖNMEZ,
“Regresyon
Analizi
ve
Genetik
http://yilmazeray.googlepages.com/selim_dergimakalesi.doc, (15.08.2008)
Algoritmanın
Esasları”,
67
Çaprazlama ĠĢlemi Sonucunda OluĢan Bireyler:
13
5
20
105
19
85
11
60
20
11
17
12
0.08
20
8
20
96
11
72
20
22
16
30
13
10
0.15
Genetik algoritmada uygulanan ikinci operatör ise mutasyon operatörüdür.
Mutasyon iĢleminde öncelikle kromozom içerisinde rastgele bir nokta belirlenmekte bu
noktadaki hisse senedi yeni bir hisse senedi ile rastgele olarak değiĢtirilmektedir.
Bireyin mutasyon operatörü uygulanmadan önceki durumu:
13
5
20
105
19
85
11
60
20
30
17
12
0.05
12
0.06
Bireyin mutasyon operatörü uygulandıktan sonraki durumu:
13
5
20
105
19
85
11
55
20
30
17
Ayrıca bu çalıĢmada kullanılan genetik algoritma adımları aĢağıda verilmiĢtir.
1. Adım: Kullanıcı, bir hisse senedine yapılabilecek yatırımın minimum ve
maksimum yüzde değerlerini belirler.
2. Adım: Kullanıcı, hangi portföy performans ölçütünün kullanılacağını belirler.
3. Adım: Kullanıcı, yapılacak olan iterasyon sayısını veya ulaĢmak istediği kar
yüzdesini belirler.
4. Adım: Kullanıcı, portföyün kaç hisse senedinden oluĢacağını belirler.
5. Adım: Kullanıcının belirlediği kısıtlar dahilinde genetik algoritma çalıĢmaya
baĢlar.
6. Adım: Ġlk olarak belirtilen kısıtlar dahilinde 100 adet baĢlangıç kromozomu
oluĢturulur. OluĢturulan her kromozomda hisse senetlerinin kodları, o hisse
senedine yapılan yatırımın yüzde değeri ve en son sütunda da bu portföyün
getirisi yer alır.
68
7. Adım: OluĢturulan kromozomlar son sütundaki getiri değerlerine göre büyükten
küçüğe doğru sıralanır. Yani problem bir maksimizasyon problemidir. Sıralama
sonucunda ilk 20 eleman alınır. Çünkü genetik algoritmada en iyiler hayatta kalır
prensibi geçerlidir.
8. Adım: Rulet Tekerleği metodu kullanılarak çaprazlamada (cross over)
kullanılacak bireyler seçilir.
9. Adım: Çaprazlama iĢlemi gerçekleĢtirilerek yeni oluĢan bireyler ilk 20
kromozomun sonuna eklenir. Çaprazlama iĢleminde rastgele seçilen bir
noktadaki hisse senetleri iki kromozomda karĢılıklı olarak yer değiĢtirir.
10. Adım: Mutasyon iĢlemi gerçekleĢtirilir. Elde edilen yeni bireyler 9.adımda elde
edilen bireylerin sonuna eklenir.
11. Adım: OluĢan yeni popülasyon yine son sütundaki getiri değerlerine göre
büyükten küçüğe doğru sıralanır.
12. Adım: UlaĢılmak istenen getiri değerine veya iterasyon sonucuna ulaĢılıp
ulaĢılmadığına bakılır. Eğer ulaĢıldıysa algoritma sonlandırılır ulaĢılmadıysa 8.
Adıma geri gidilir.
5.5 Değerlendirme
Bir önceki aĢamada oluĢturulan modele uygun olarak c# programlama dilinde bir
program geliĢtirilmiĢtir ve bu program yardımıyla portföy oluĢturulup yorumlanmıĢtır.
Uygulama aĢamasında geliĢtirilen programdan 10, 15 ve 25 hisse senedinden
oluĢan, hisse senetlerinin ağırlıklarının % 2 ile % 20 arasında değiĢebileceği ve 50
iterasyon sonucunda ulaĢılabilecek performans türlerine (Sharpe, Treynor, Jensen) göre
portföy oluĢturması istenmiĢ ve aĢağıdaki sonuçlar elde edilmiĢtir.
Bilindiği üzere her yatırımcının risk alma düzeyi aynı değildir. ÇalıĢmadaki
kısıtlar rastgele verilmiĢtir. GeliĢtirilen programda her yatırımcı kendi risk alma
seviyesine göre kısıtları değiĢtirebilmektedir.
69
Sharpe Performans Değerleme Yöntemi Sonuçları
Şekil 5.4. 10 Hisse Senedinden Oluşturulan Portföyün Sharpe Performans
Değerleme Yöntemi Hesaplamasının Program Görünümü
Yukarıdaki Ģekilde 10 hisse senedinden oluĢturulan portföyün Sharpe performans
değerleme yöntemi hesaplamasının program görünümü verilmiĢtir. Aynı uygulama 15
ve 25 hisse senedinden oluĢan portföyler için de gerçekleĢtirilmiĢtir. Burada portföyleri
farklı sayılardaki hisse senedinden oluĢturmadaki amaç; her yatırımcının portföyünde
farklı sayıda hisse senedi bulundurmak isteyeceği ve farklı sayıdaki hisse senedinden
oluĢan portföylerin aylık ortalama getiri ve performans kıyaslamalarını yapabilmektir.
AĢağıdaki tabloda 10, 15 ve 25 hisse senedinden oluĢturulan portföylerin aylık ortalama
getirileri ve Sharpe performansları gösterilmiĢtir.
70
Çizelge 5.1. 10, 15 ve 25 Hisse Senedinden Oluşan Portföylerin SHARPE
Performansları ve Aylık Ortalama Getirileri
Hisse
Kodu
CIMSA
KENT
HURGZ
IZOCM
FFKRL
UNYEC
DOHOL
AKBNK
MIGRS
GARAN
EGPRO
PNSUT
TUPRS
MRDIN
ADANA
YKBNK
FROTO
ASELS
AYGAZ
FINBN
ASLAN
FMIZP
KENT
ISCTR
PINSU
SISE
TRKCM
GENTS
EREGL
ECZYT
ANACM
CIMSA
BUCIM
Aylık Ortalama
Getiri
(%)
4.08
4.08
4.18
4.24
4.15
4.15
4.04
4.16
4.20
4.12
4.61
4.65
4.27
4.76
4.49
4.14
4.55
3.92
4.07
4.69
3.99
3.75
4.08
4.69
4.05
3.81
3.93
3.56
3.87
3.81
3.60
4.08
3.87
PORTFÖYÜN AYLIK ORT. GET.
İMKB 100 AYLIK ORT. GET.
PORTFÖYÜN SHARPE
PERFORMANSI
İMKB 100 SHARPE
PERFORMANSI
10 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
4
4
14
16
6
3
16
20
11
6
15 Çeşit Hisse
Senedinden
Oluşan
Portföydeki
Payı (%)
25 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
3
7
3
10
4
6
2
7
2
2
4
12
4
3
4
17
6
2
20
6
5
6
2
3
7
11
2
4.15
3.54
4.46
3.54
2
2
2
3
8
6
2
2
2
2
2
5
2
4.24
3.54
8.701320
3.142823
1.782852
-0.0069
-0.0069
-0.0069
71
Yukarıdaki tabloda, genetik algoritma yardımıyla 10, 15 ve 25 hisse senedinden
oluĢan, ağırlıkları %2 ile %20 arasında değiĢen, Sharpe performans değerleme
yöntemine göre farklı portföyler oluĢturulmuĢ ve çizelgedeki sonuçlar elde edilmiĢtir.
OluĢturulan portföylerin aylık ortalama getirileri de yukarıdaki çizelgede verilmiĢtir.
Çıkan sonuca göre 10, 15, 25 hisse senedinden oluĢan portföylerin Sharpe
oranları sırasıyla 8,70132, 3,142823, 1,782852 ve aylık ortalama getirileri de sırasıyla
%4,15, %4,46 ve %4,24‟tür.
Bu sonuçtan da anlaĢılmaktadır ki, 1995-2007/6 döneminde ĠMKB 100 bileĢik
endeksinin Sharpe performansı, verilen kısıtlar dahilinde çalıĢmada ele alınan 122 hisse
senedinden oluĢturulabilecek portföy performansından daha düĢüktür. Bunun temel
sebebi, incelenen dönem sonucunda ortaya çıkan aylık ortalama ĠMKB 100 bileĢik
endeksinin getirisinin (%3,54), ortalama risksiz faiz oranından (%3,65) düĢük olmasıdır.
Çünkü formülde bu değerler yerlerine konulduklarında formülün pay kısmının eksi ( - )
bir değer almasına, sonuçta da performansın da eksi bir değer almasına neden
olmaktadır.
Genetik algoritma yardımıyla oluĢturulan portföylerin Sharpe oranlarının piyasa
performansından bu derece yüksek çıkmasının nedeni ise; yöntemin, oluĢturacağı
portföylere alacağı hisse senetlerinin getirilerinin öncelikle risksiz faiz oranından yüksek
çıkmasını göz önünde bulundurmasıdır. Risksiz faiz oranından daha yüksek getiriye
sahip hisse senetlerine bakıldığında da ortalama getirilerinin çok fazla bir sapma
göstermediği görülmektedir.
Portföyler
kendi
aralarında
kıyaslandığında
ise
sonuçlar
Ģu
Ģekilde
yorumlanabilir; 10 hisse senedinden oluĢturulan portföyün Sharpe performansı daha
yüksek çıktığı için, portföyü 10 hisse senedinden oluĢturmak rasyonel bir davranıĢ
olacaktır. Çünkü 10 hisse senedinden oluĢan portföyün aylık ortalama getirisi diğer
portföylerden düĢük olmasına rağmen, birim risk baĢına düĢen getiri oranı diğer
portföylerin oldukça üzerindedir.
72
Treynor Performans Değerleme Yöntemi Sonuçları
Sharpe performans değerleme yönteminde yapılan uygulama bu kez Treynor
performans değerleme yöntemine aĢağıdaki Ģekilde uygulanmıĢtır ve sonuçlar Ģu
Ģekildedir:
Şekil 5.5. Treynor Performans Hesaplamasının Program Görünümü
Yukarıdaki Ģekilde 10 hisse senedinden oluĢturulan portföyün Treynor
performans değerleme yöntemi hesaplamasının program görünümü verilmiĢtir. Aynı
uygulama 15 ve 25 hisse senedinden oluĢan portföyler için de gerçekleĢtirilmiĢtir.
AĢağıdaki tabloda 10, 15 ve 25 hisse senedinden oluĢturulan portföylerin aylık ortalama
getirileri ve Treynor performansları gösterilmiĢtir.
73
Çizelge 5.2. 10, 15 ve 25 Hisse Senedinden Oluşan Portföylerin
TREYNOR
Performansları ve Aylık Ortalama Getirileri
Hisse
Kodu
BUCIM
IZOCM
ECZYT
YKFIN
FFKRL
PINSU
DOGUB
EGPRO
TIRE
ADANA
KCHOL
MIGRS
CIMSA
GENTS
KENT
SONME
ASELS
UNYEC
DEVA
USAK
ISCTR
MIPAZ
UCAK
TSKB
KONYA
GARAN
PKENT
TEKST
ECILC
PETKM
FROTO
ALCAR
BAGFS
EREGL
TUPRS
MUTLU
HURGZ
VKFYT
Aylık
Ortalama
Getiri (%)
3.87
4.24
3.81
3.24
4.15
4.05
1.87
4.61
3.29
4.49
3.19
4.20
4.08
3.56
4.08
2.77
3.92
4.15
3.54
1.28
4.69
3.15
3.70
3.58
3.41
4.12
3.06
3.58
3.94
2.63
4.55
3.15
3.37
3.87
4.27
3.16
4.18
2.67
10 Çeşit Hisse
Senedinden
Oluşan
Portföydeki
Payı (%)
10
19
5
11
4
16
2
9
14
10
15 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
25 Çeşit Hisse
Senedinden Oluşan
Portföydeki Payı (%)
11
2
3
3
2
4
8
4
3
12
2
7
15
5
3
9
3
11
10
8
2
3
3
2
4
3
6
17
2
3
2
4
4
3
4
74
Hisse Kodu
ASLAN
FMIZP
CELHA
ADNAC
MRDIN
Aylık
Ortalama
Getiri (%)
10 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
15 Çeşit Hisse
Senedinden
Oluşan Portföydeki
Payı (%)
3.99
3.75
2.65
3.17
4.76
PORTFÖYÜN AYLIK ORT.
GETİRİSİ
İMKB 100 AYLIK ORT.
GETİRİSİ
PORTFÖYÜN TREYNOR
PERFORMANSI
İMKB 100 TREYNOR
PERFORMANSI
25 Çeşit Hisse
Senedinden Oluşan
Portföydeki Payı (%)
5
2
2
2
2
3.92
3.91
3.80
3.54
3.54
3.54
1.374460
0,762067
0,191878
-0.0011
-0.0011
-0.0011
Treynor performans değerleme yöntemi bilindiği üzere portföyün birim
sistematik riski baĢına getirisini ifade etmektedir.
Portföylerin Treynor performansları ve aylık ortalama getirileri kıyaslandığında
ise Ģu sonuçlar ortaya çıkmaktadır: 10 hisse senedinden oluĢturulan portföyün aylık
ortalama getirisi % 3,92, 15 hisse senedinden oluĢturulan portföyün aylık ortalama
getirisi % 3,91 ve 25 hisse senedinde oluĢturulan portföyün ortalama getirisi % 3,80
çıkmıĢtır. Sonuç olarak aylık ortalama getirisi en yüksek olan portföy 10 hisse
senedinden oluĢan portföydür.
Portföylerin Treynor performansları ise Ģu Ģekildedir: 10 hisse senedinden oluĢan
portföyün performansı 1,374460, 15 hisse senedinde oluĢan portföyün performansı
0,762067 ve 25 hisse senedinden oluĢan portföyün performansı da 0,191878‟dir. Bu
sonuçlara göre birim sistematik risk baĢına en yüksek getiriyi sağlayan portföy 10 hisse
senedinden oluĢan portföydür.
ĠMKB 100 endeksinin Treynor performansı ise yine endeks getirisinin risksiz
faiz oranından düĢük çıkması nedeniyle negatif bir değer almıĢtır. Bilindiği üzere
piyasanın betası 1‟dir.
75
Sonuç olarak; genetik algoritma yardımıyla 10, 15 ve 25 hisse senedinden
oluĢturulan portföyler piyasanın üzerinde performans göstermiĢtir.
Jensen Performans Değerleme Yöntemi
Jensen performans değerleme yöntemine göre sonuçlar aĢağıdaki gibidir:
Şekil 5.6. Jensen Performans Hesaplamasının Program Görünümü
Yukarıdaki Ģekilde 10 hisse senedinden oluĢturulan portföyün Jensen performans
hesaplamasının program görünümü verilmiĢtir. Aynı uygulama 15 ve 25 hisse
senedinden oluĢan portföyler için de gerçekleĢtirilmiĢtir. AĢağıdaki tabloda 10, 15 ve 25
hisse senedinden oluĢturulan portföylerin aylık ortalama getirileri ve Jensen
performansları gösterilmiĢtir.
76
Çizelge 5.3. 10, 15 ve 25 Hisse Senedinden Oluşan Portföylerin JENSEN
Performansları ve Aylık Ortalama Getirileri
Hisse Kodu
PARSN
MMART
BRSAN
FROTO
EGEEN
EGPRO
DOHOL
SNPAM
PINSU
TRKCM
FINBN
MIPAZ
GUSGR
TUPRS
ASELS
PNSUT
ISCTR
UNYEC
ATLAS
MIGRS
DITAS
MAALT
FFKRL
HURGZ
IZOCM
ECZYT
KORDS
AKBNK
Aylık Ortalama
Getiri (%)
4.00
3.06
3.11
4.55
3.86
4.61
4.04
2.69
4.05
3.93
4.69
3.15
3.63
4.27
3.92
4.65
4.69
4.15
3.32
4.20
3.43
3.57
4.15
4.18
4.24
3.81
3.30
4.16
PORTFÖYÜN AYLIK ORT.
GETİRİSİ
İMKB 100 AYLIK ORT.
GETİRİSİ
PORTFÖYÜN JENSEN
PERFORMANSI
İMKB 100 JENSEN
PERFORMANSI
10 Çeşit Hisse
Senedinden
Oluşan Portföydeki
Payı (%)
10
14
3
10
16
12
8
2
12
13
15 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
7
10
4
3
4
12
15
6
2
2
11
12
3
3
6
25 Çeşit Hisse
Senedinden Oluşan
Portföydeki Payı (%)
2
4
7
9
4
16
2
4
5
6
5
2
2
4
2
2
3
4
2
3
2
2
3
3
2
3.92
3.80
4.00
3.54
3.54
3.54
0.017366
0.015027
0.014257
0
0
0
77
Portföylerin aylık ortalama getirileri ve Jensen performansları hesaplandığında
ise Ģu sonuçlar elde edilmiĢtir: 10 hisse senedinden oluĢan portföyün aylık ortalama
getirisi % 3,92, 15 hisse senedinden oluĢan portföyün aylık ortalama getirisi % 3,80 ve
25 hisse senedinden oluĢan portföyün aylık ortalama getirisi de % 4,00 çıkmıĢtır. Bu
sonuçlara göre ortalama getirisi en yüksek olan portföy 25 hisse senedinden oluĢan
portföydür.
Jensen performansları ise Ģu Ģekilde yorumlanabilir; bilindiği gibi bir portföyün
Jensen performansının pozitif olması, o portföyün piyasanın üzerinde bir performans
gösterdiğinin göstergesidir. Genetik algoritma yardımıyla ortaya çıkan portföylerden 10
hisse senedinden oluĢan portföyün performansı 0,017366, 15 hisse senedinden oluĢan
portföyün performansı 0,015027 ve 25 hisse senedinden oluĢan portföyün performansı
da 0,014257 çıkmıĢtır. Dolayısıyla 10 hisse senedinden oluĢan portföy, diğer portföylere
tercih edilecektir.
Farklı Performans Değerleme Yöntemlerine Göre Bulunan Portföylerin
2007/07 – 2008/12 Dönemi Piyasa Verileriyle Karşılaştırılması
1995 – 2007/6 döneminde farklı performans ölçütlerine göre oluĢturulan
portföylerin 2007/07 – 2008/12 dönemindeki getirileri ve performansları piyasa getirisi
ve performansıyla kıyaslanmıĢtır. Bu noktada dikkat edilmesi gereken nokta; bu dönem
içerisinde küresel mali krizin hisse senetleri piyasalarını olumsuz etkilemesidir. Bu
dönem içerisinde hisse senetleri piyasaları olumsuz beklentiler neticesinde negatif
getiriler sağlamıĢlardır. Bu negatif getirilerin sonucu olarak da portföy performansları
negatif çıkmıĢtır. Bir baĢka ifade ile bu dönemde hisse senetleri yerine risksiz faiz oranı
veren hazine bonosu, devlet tahvili ya da banka mevduatına yatırım yapmak rasyonel bir
yatırım davranıĢıdır.
AĢağıda yer alan tablolarda 1995 – 2007/6 döneminde farklı performans
ölçütlerine göre oluĢturulan portföyler, 2007/07 – 2008/12 dönemindeki getirileri ve
performansları piyasa getirisi ve performansıyla kıyaslanmaktadır.
78
Sharpe Performans Değerleme Yöntemi
Çizelge 5.4. 1995 – 2007/6 Döneminde Oluşturulan Portföyün 2007/07 –
2008/12 dönemindeki Sharpe Performansı ve Piyasa Performansıyla Kıyaslaması
Hisse Kodu
CIMSA
KENT
HURGZ
IZOCM
FFKRL
UNYEC
DOHOL
AKBNK
MIGRS
GARAN
EGPRO
PNSUT
TUPRS
MRDIN
ADANA
YKBNK
FROTO
ASELS
AYGAZ
FINBN
ASLAN
FMIZP
ISCTR
PINSU
SISE
TRKCM
GENTS
EREGL
ECZYT
ANACM
BUCIM
2007/07-2008/12
Aylık Ortalama
Getiri (%)
-5.07
-3.06
-5.8
-3.34
-4.59
-5.04
-5.1
-2.13
-2.41
-2.96
-4.35
-4.20
-3.03
-2.58
-5.84
-1.82
-5.08
-3.98
-3.72
-1.25
-0.54
-2.30
-2.06
-4.98
-4.31
-5.67
-3.08
-1.80
-4.28
-3.97
-2.32
PORTFÖYÜN AYLIK ORT. GET.
İMKB 100 AYLIK ORT. GETİRİSİ
PORTFÖYÜN SHARPE
PERFORMANSI
İMKB 100 SHARPE
PERFORMANSI
10 Çeşit Hisse
15 Çeşit Hisse
25 Çeşit Hisse
Senedinden
Senedinden
Senedinden
Oluşan Portföydeki Oluşan Portföydeki Oluşan Portföydeki
Payı (%)
Payı (%)
Payı (%)
4
4
14
16
6
3
16
20
11
6
5
3
7
3
10
4
6
2
7
2
2
4
12
4
3
4
17
6
2
20
6
5
6
2
3
7
11
2
-3.78
-3.07
-3.61
-3.07
2
2
3
8
6
2
2
2
2
2
2
-4.18
-3.07
-0.039490
-0.035830
-0.03994
-0.00374
-0.00374
-0.00374
1995 – 2007/06 döneminde genetik algoritma yardımıyla Sharpe performans
değerleme yöntemine göre oluĢturulan 10, 15 ve 25 hisse senedinden oluĢturulan
79
portföyün, 2007/07 – 2008/12 dönemindeki aylık ortalama getirileri sırasıyla -%3,78, %3,61 ve -%4,18 çıkmıĢtır. Bu dönem içerisinde ĠMKB 100 bileĢik endeksinin aylık
ortalama getirisi -%3,07 çıkmıĢtır. Bu sonuçlarda negatif getirisi en düĢük olan portföy,
geçmiĢ dönemde olduğu gibi 15 hisse senedinden oluĢturulan portföy çıkmıĢtır. Diğer
portföylerin getirileri kıyaslandığında ise 10 hisse senedinden oluĢan portföyün getirisi,
25 hisse senedinden oluĢan portföyün getirisinden daha yüksektir.
Portföylerin performansları kıyaslandığında ise Ģu sonuçlara ulaĢılmaktadır: 10,
15 ve 25 hisse senedinden oluĢan portföylerin performansları sırasıyla -0.039490, 0.035830 ve -0.03994‟tür. Bu dönem içerisinde tüm hisse senetlerinin getirileri negatif
olduğu için portföy performansları da negatif bir değer almıĢtır. Bu dönem içerisinde
risksiz faiz oranı ise %1,39 olarak hesaplanmıĢtır. Portföy performanslarının negatif
değerler alması, hiçbir portföyün seçilmemesini gerektirir. Ancak, portföylerimiz sadece
hisse senetlerinden oluĢmaktadır ve dönem içerisinde hisse senetlerinin ortalama
getirileri negatiftir.
ĠMKB 100 bileĢik endeksinin Sharpe performansı ise -0,00374 çıkmıĢtır. Sonuç
olarak önceki dönemde oluĢturulan portföyler piyasanın altında bir Sharpe performansı
göstermiĢlerdir. Bunun temel nedenleri; ĠMKB 100 endeksinde oluĢturduğumuz
portföylerden daha fazla hisse senedinin bulunması, bir baĢka deyiĢle çeĢitlendirmenin
fazla olması, önceki dönemde oluĢturulan portföyde yer alan hisse senetlerinin büyük
oranda mali sektör, taĢ ve toprağa dayalı sanayi ve otomotiv sektöründen oluĢmasıdır
(%53). Bilindiği üzere küresel mali krizin en fazla etkilediği sektörler mali sektör, inĢaat
ve otomotiv sektörüdür. Bunun yanında portföylerde yer alan bazı firmaların üretime ara
vermeleri ve Doğan Grubuna bağlı firmaların (MIPAZ, DOHOL, HURGZ, vb.) hisse
senetleri fiyatlarının, Doğan Holding Yönetim Kurulu BaĢkanının hükümete karĢı
olumsuz tutumundan dolayı hızlı değer kayıplarının da göz önünde bulundurulması
gerekmektedir. Portföyde bu senetlerin oranının fazla olması portföy performanslarının
piyasa performansının altında kalmasına neden olmuĢtur.
Treynor Performans Değerleme Yöntemi
Çizelge 5.5.‟te Treynor portföy performansları verilmektedir.
80
Çizelge 5.5. 1995 – 2007/6 Döneminde Oluşturulan Portföyün 2007/07 –
2008/12 dönemindeki Treynor Performansı ve Piyasa Performansıyla Kıyaslaması
Hisse Kodu
BUCIM
IZOCM
ECZYT
YKFIN
FFKRL
PINSU
DOGUB
EGPRO
TIRE
ADANA
KCHOL
MIGRS
CIMSA
GENTS
KENT
SONME
ASELS
UNYEC
DEVA
USAK
ISCTR
MIPAZ
UCAK
TSKB
KONYA
GARAN
PKENT
TEKST
ECILC
PETKM
FROTO
ALCAR
BAGFS
EREGL
TUPRS
MUTLU
HURGZ
VKFYT
ASLAN
FMIZP
2007/07-2008/12
Aylık Ortalama
Getiri (%)
-2.32
-3.34
-3
-5.13
-4.59
-4.98
-3.08
-4.35
-1.64
-5.84
-3.04
-2.41
-5.07
-3.08
-3.06
-8.23
-3.98
-5.04
-4.73
-7.17
-2.06
-8.83
-4.07
-3.11
-2.48
-2.96
-0.18
-7.82
-4.27
-3.61
-5.08
-5.04
2.42
-1.80
-3.03
-5.23
-4.83
-4.16
-0.54
-2.30
10 Çeşit Hisse
Senedinden
Oluşan Portföydeki
Payı (%)
10
19
5
11
4
16
2
9
14
10
15 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
25 Çeşit Hisse
Senedinden Oluşan
Portföydeki Payı (%)
11
2
3
3
2
4
8
4
3
12
2
7
15
5
3
9
3
11
10
8
2
3
3
2
4
3
6
17
2
3
2
4
4
3
4
5
2
81
Hisse
Kodu
CELHA
ADNAC
MRDIN
Aylık Ortalama
Getiri (%)
10 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
15 Çeşit Hisse
Senedinden
Oluşan
Portföydeki
Payı (%)
-0.76
-4.49
-2.58
PORTFÖYÜN AYLIK ORT.
GETİRİSİ
İMKB 100 AYLIK ORT. GETİRİSİ
PORTFÖYÜN TREYNOR
PERFORMANSI
İMKB 100 TREYNOR
PERFORMANSI
25 Çeşit Hisse
Senedinden
Oluşan Portföydeki
Payı (%)
2
2
2
-3.83
-3.07
-4.03
-3.07
-3.45
-3.07
-0.093769
-0.106200
-0.0915
-0.0446
-0.0446
-0.0446
1995 – 2007/06 döneminde genetik algoritma yardımıyla Treynor performans
değerleme yöntemine göre oluĢturulan 10, 15 ve 25 hisse senedinden oluĢturulan
portföyün, 2007/07 – 2008/12 dönemindeki aylık ortalama getirileri sırasıyla -%3,83, %4,03 ve -%3,45 çıkmıĢtır. Bu dönem içerisinde ĠMKB 100 bileĢik endeksinin aylık
ortalama getirisi -%3,07‟dir. Bu sonuçlarda negatif getirisi en düĢük olan portföy 25
hisse
senedinden
oluĢturulan
portföy
çıkmıĢtır.
Diğer
portföylerin
getirileri
kıyaslandığında ise 10 hisse senedinden oluĢan portföyün getirisi, 15 hisse senedinden
oluĢan portföyün getirisinden daha yüksektir.
Portföylerin performansları kıyaslandığında ise Ģu sonuçlara ulaĢılmaktadır: 10,
15 ve 25 hisse senedinden oluĢan portföylerin performansları sırasıyla -0.093769, 0.1062 ve -0.0915‟tir. Bu dönem içerisinde tüm hisse senetlerinin getirileri negatif
olduğu için portföy performansları da negatif bir değer almıĢtır. Önceden de değinildiği
üzere bir portföyün Treynor performansının negatif çıkması o portföyün düĢük
performanslı bir portföy olduğunu ifade etmemektedir. Bu durumda portföyün kabul
edilebilir minimum getirinin üzerinde olup olmadığına bakılmaktadır. Ancak önceki
dönemde oluĢturulan portföylerin yeni dönemdeki getirileri negatif oldukları için bu
portföylerin hiçbirinin kabul edilmemesi gerekir.
ĠMKB 100 bileĢik endeksinin Treynor performansı ise -0,0446 çıkmıĢtır. Sonuç
olarak önceki dönemde oluĢturulan portföyler piyasanın altında bir Treynor performansı
göstermiĢlerdir. Treynor performansı sonucunda oluĢturulan portföylerdeki mali sektör,
82
taĢ ve toprağa dayalı sanayi ve otomotiv sektöründen %48,83 oranında hisse senedi
bulunmaktadır.
Jensen Performans Değerleme Yöntemi
Çizelge 5.6. 1995 – 2007/6 Döneminde Oluşturulan Portföyün 2007/07 –
2008/12 dönemindeki Jensen Performansı ve Piyasa Performansıyla Kıyaslaması
Hisse Kodu
PARSN
MMART
BRSAN
FROTO
EGEEN
EGPRO
DOHOL
SNPAM
PINSU
TRKCM
FINBN
MIPAZ
GUSGR
TUPRS
ASELS
PNSUT
ISCTR
UNYEC
ATLAS
MIGRS
DITAS
MAALT
FFKRL
HURGZ
IZOCM
ECZYT
KORDS
AKBNK
2007/07-2008/12
Aylık Ortalama
Getiri (%)
-6.3
-6.74
-2.65
-4.56
-5.71
-4.35
-5.1
-7.47
-4.98
-5.67
-1.25
-8.83
-2.40
-3.03
-3.98
-4.20
-2.06
-5.04
-4.80
-2.41
-3.62
-6.81
-6.36
-4.83
-3.34
-4.28
-5.54
-2.13
PORTFÖYÜN AYLIK ORT. GET.
İMKB 100 AYLIK ORT. GET.
PORTFÖYÜN JENSEN PERF.
İMKB 100 JENSEN PERF.
10 Çeşit Hisse
Senedinden
Oluşan
Portföydeki Payı
(%)
10
14
3
10
16
12
8
2
12
13
-5.44
-3.07
-0.038110
0
15 Çeşit Hisse
Senedinden
Oluşan Portföydeki
Payı (%)
7
10
4
3
4
12
15
6
2
2
11
12
3
3
6
-5.18
-3.07
-0.038210
0
25 Çeşit Hisse
Senedinden Oluşan
Portföydeki Payı (%)
2
4
7
9
4
16
2
4
5
6
5
2
2
4
2
2
3
4
2
3
2
2
3
3
2
-4.54
-3.07
-0.025006
0
83
1995 – 2007/06 döneminde genetik algoritma yardımıyla Jensen performans
değerleme yöntemine göre oluĢturulan 10, 15 ve 25 hisse senedinden oluĢturulan
portföyün, 2007/07 – 2008/12 dönemindeki aylık ortalama getirileri sırasıyla -%5,44, %5,18 ve -%4,54 çıkmıĢtır. Bu dönem içerisinde ĠMKB 100 bileĢik endeksinin aylık
ortalama getirisi -%3,07‟dir. Bu sonuçlarda negatif getirisi en düĢük olan portföy 25
hisse
senedinden
oluĢturulan
portföy
çıkmıĢtır.
Diğer
portföylerin
getirileri
kıyaslandığında ise 15 hisse senedinden oluĢan portföyün getirisi, 10 hisse senedinden
oluĢan portföyün getirisinden daha yüksektir.
Portföylerin performansları kıyaslandığında ise Ģu sonuçlara ulaĢılmaktadır: 10,
15 ve 25 hisse senedinden oluĢan portföylerin performansları sırasıyla -0.03811, 0.03821 ve -0.025006‟dır. Bu dönem içerisinde tüm hisse senetlerinin getirileri negatif
olduğu için portföy performansları da negatif bir değer almıĢtır. Portföy performansları
negatif değerler aldıkları için, bir baĢka deyiĢle piyasa performansının (sıfır) altında
değer aldıkları için kabul edilmeyeceklerdir.
ĠMKB 100 bileĢik endeksinin Jensen performansı betası 1 olduğu için 0‟dır.
Jensen performansı sonucunda oluĢturulan portföylerdeki mali sektör, taĢ ve toprağa
dayalı sanayi ve otomotiv sektöründen %42,85 oranında hisse senedi bulunmaktadır.
5.6 Yayılım
Değerlendirme aĢamasında geliĢtirilen uygulama yazılımı kullanıma sunulmuĢtur .
84
SONUÇ
Gerek bireysel gerekse kurumsal yatırımcılar ellerindeki fazla fonları çeĢitli
yatırım araçlarında değerlendirirler. Bu yatırım araçları; hisse senetleri, tahviller, hazine
bonoları, altın, vb. içerir. Tüm yatırımcıların ortak amacı ise bu yatırım araçlarından elde
ettikleri getirinin piyasanın üzerinde olmasını sağlamaktır. Bir baĢka ifadeyle
oluĢturdukları portföylerin getirilerini, piyasa getirisiyle kıyaslarlar.
Genel olarak piyasa getirisi, risksiz faiz oranıdır. Bir baĢka deyiĢle, yatırımcıların
belli bir vadenin sonunda kesin olarak sağlayacakları getiri oranıdır. Genellikle bu oran,
o dönemdeki hazine bonolarının ortalama faiz oranı olarak tanımlanabilir. Bunun
yanında repo faiz oranları ya da bankaların mevduat faiz oranları da risksiz faiz oranı
olarak değerlendirilebilir. Yatırımcılar oluĢturdukları portföyleri iĢte bu risksiz faiz
oranıyla kıyaslamaktadırlar. Portföyleri bu oranın üzerinde getiri sağladığında yüksek
performanslı, altında getiri sağladığında ise düĢük performanslı olarak değerlendirilir.
Piyasa kavramı yatırım çeĢitlerine göre değiĢiklik göstermektedir. Eğer portföy
sadece hisse senetlerinden oluĢuyorsa piyasa kavramı, o ülkenin temel hisse senedi
piyasası endeksidir. Ülkemizde ise bu endeks ĠMKB 100 bileĢik endeksidir. Portföyü
farklı menkul kıymetlerden bir çeĢitlendirme yapmadan, sadece hisse senetlerinden
oluĢturmak oldukça riskli bir durumdur. Çünkü hisse senedi piyasaları sistematik ve
sistematik olmayan risk unsurlarından daha fazla ve hızlı etkilenmektedir. Dolayısıyla
portföyünü sadece hisse senetlerinden oluĢturacak yatırımcıların performans kıyaslaması
hem risksiz faiz oranını hem de o ülkenin hisse senedi piyasası temel göstergesi (ĠMKB
100) olacaktır. Eğer oluĢturulan portföy, risksiz faiz oranı ve ĠMKB 100 bileĢik endeksi
getiri ortalamasının üzerindeyse yüksek performanslı, altındaysa düĢük performanslı
portföyler olarak tanımlanacaktır
Bu çalıĢmada genetik algoritma yardımıyla sadece hisse senetlerinden oluĢan
portföyler
oluĢturulmuĢ
kıyaslanmıĢtır.
ve
portföy
performansları
piyasa
performanslarıyla
85
AraĢtırma sonuçlarına göre verilen kısıtlar dahilinde Sharpe oranına göre
oluĢturulan 10, 15 ve 25 hisse senedinden oluĢan portföylerin performansları ve
ortalama getirileri, piyasanın üzerinde çıkmıĢtır. Bu portföylerden 15 hisse senedinden
oluĢturulan portföyün ortalama getirisi daha yüksek çıkmasına rağmen, 10 hisse
senedinden oluĢan portföy diğer portföylerden daha yüksek performans göstermiĢtir.
Burada en dikkat çekici sonuç; piyasanın (ĠMKB 100) ortalama getirisinin risksiz faiz
oranının ortalama getirisinden düĢük çıkması ve sonucunda da Sharpe performansının
negatif çıkmasıdır.
Treynor
Performans
Değerleme
Yöntemine
göre
oluĢturulan
portföy
performansları da piyasa performansının üzerinde çıkmıĢtır. Portföyler kendi aralarında
kıyaslandığında ise yine 10 hisse senedinden oluĢturulan portföyün hem ortalama getiri
bakımından hem de performans bakımından en yüksek performansa sahip olduğu
görülmektedir.
Jensen
Performans
Değerleme
Yöntemine
göre
oluĢturulan
portföy
performansları yine piyasa performansının üzerinde çıkmıĢtır. Portföyler kendi
aralarında kıyaslandığında ise yine 10 hisse senedinden oluĢturulan portföyün en yüksek
performansa sahip olduğu görülmektedir. En yüksek getiriye sahip portföy ise 25 hisse
senedinden oluĢturulan portföydür.
1995 – 2007/06 dönemindeki veriler sonucunda farklı performans ölçütlerine
göre oluĢturulan portföyler, 2007/07 – 2008/12 döneminde gerçekleĢen verilerle
kıyaslandığında ise Ģu sonuçlara ulaĢılmıĢtır: Sonraki dönemde oluĢturulan portföyler
küresel mali kriz nedeniyle negatif performans göstermiĢlerdir. Negatif performans
göstermelerinin nedenleri kriz nedeniyle Ģirketlerin gelecek dönemlerdeki beklentilerinin
olumsuza dönmesi, bazı iĢletmelerin belli süreliğine üretimlerini durdurmaları, krizin
özellikle mali sektör, inĢaat sektörü ve otomotiv sektörünü çok olumsuz etkilemesi ve
önceki dönem için oluĢturulan portföylerde bu sektörlerde faaliyet gösteren iĢletmelerin
oranlarının yüksek olması gibi etkenler gösterilebilir. Bu sonuçlar da göstermektedir ki;
özellikle kriz dönemlerinde hisse senetlerine yatırım yapmak yerine hazine bonosu, repo
ya da mevduat faizi gibi yatırım araçlarına yönelinmelidir.
86
1995 – 2007/06 dönemi incelendiğinde de 1998‟de Asya krizi, 2000 ve 2001
yıllarında yine özellikle de mali sektörü çok olumsuz etkileyen krizler yaĢanmasına
rağmen, uzun vadede hisse senetlerinin risksiz faiz oranının üzerinde getiri ve
performans sağlayabileceği görülmektedir.
Sharpe perfomans ölçütüne göre oluĢturulan portföylerde HURGZ, IZOCM,
DOHOL ve MIGRS hisse senetleri 10, 15 ve 25 hisse senetlerinden oluĢturulan
portföylerin tamamında yer alırken, FFKRL hisse senedi 10 ve 15 çeĢit hisse senedinden
oluĢturulan portföylerde, EGPRO, PNSUT, TUPRS, MRDIN, ADANA, FROTO ve
AYGAZ hisse senetleri de 15 ve 25 çeĢit hisse senedinden oluĢturulan portföylerde yer
almıĢtır.
Treynor perfomans ölçütüne göre oluĢturulan portföylerde IZOCM ve FFKRL
hisse senetleri 10, 15 ve 25 hisse senetlerinden oluĢturulan portföylerin tamamında yer
alırken, EGPRO hisse senedi 10 ve 25 çeĢit hisse senedinden oluĢturulan portföylerde,
KCHOL ve ISCTR hisse senetleri de 15 ve 25 çeĢit hisse senedinden oluĢturulan
portföylerde yer almıĢtır.
Treynor perfomans ölçütüne göre oluĢturulan portföylerde PARSN, MMART,
BRSAN, FROTO, EGEEN, EGPRO, DOHOL, SNPAM ve TRKCM hisse senetleri 10,
15 ve 25 hisse senetlerinden oluĢturulan portföylerin tamamında yer alırken, PINSU
hisse senedi 10 ve 25 çeĢit hisse senedinden oluĢturulan portföylerde, TUPRS, ASELS
ve PNSUT hisse senetleri de 15 ve 25 çeĢit hisse senedinden oluĢturulan portföylerde
yer almıĢtır.
Performans ölçütlerinin birlikte analizi durumunda her performans ölçütünde
portföylerde yer alan tek hisse senedi EGPRO‟dur. IZOCM, DOHOL, FFKRL, PNSUT,
TUPRS ve FROTO hisse senetleri ise Sharpe ve Treynor performans ölçütlerinin
uygulaması sonucunda oluĢturulan portföylerde yer almıĢlardır.
Bu çalıĢmada yatırımcıya, tercihine göre seçeceği performans ölçüsünü
kullanarak kendi portföyünü oluĢturma imkanı sunulmuĢtur. Aynı zamanda genetik
algoritma kullanılarak geliĢtirilen program yardımıyla, gelecekte de veriler veri tabanına
87
girilerek programın güncel olması sağlanmıĢtır. Bu sayede yatırımcılar gelecekte de
programı aktif olarak kullanabilecektir.
88
KAYNAKÇA
Kitaplar:
BERK, N., Finansal Yönetim, Türkmen Kitabevi, 2. Baskı, Ġstanbul, Mayıs, 1995.
CEYLAN, A. ve T. KORKMAZ, Borsada Uygulamalı Portföy Yönetimi, Ekin
Kitabevi Yayınları, 3. Baskı, Bursa, 1998.
JIANG, Y., KE, D., WANG, Y. ve L. Xu, Using Genetic Algorithms to Predict
Financial Performance, 2007, 3225-3229.
KONURALP, G., Sermaye Piyasaları Analizler, Kuramlar ve Portföy Yönetimi,
Alfa Kitapevi, 2.Baskı, Ġstanbul, Mart 2005.
RODOPLU, G., Para ve Sermaye Piyasaları, Tuğra Ofset, Isparta, 2001.
UĞUZ, M., Menkul Kıymet Seçimi ve Yatırım Yönetimi, Ġstanbul, 1990.
USTA, Ö., İşletme Finansı ve Finansal Yönetim, Detay Yayıncılık, 2.Baskı, Ankara,
2005.
Makaleler:
AKAY, D., ÇETĠNYOKUġ, T. ve M. DAĞDEVĠREN,, “Portföy Seçimi Problemi Ġçin
KDS/GA YaklaĢımı”, Gazi Üniv. Müh. Mim. Fak. Der. Cilt 17, No 4, 2002.
AKPINAR, H., “Veri Tabanlarında Bilgi KeĢfi ve Veri Madenciliği”, İstanbul
Üniversitesi İşletme Fakültesi Dergisi, Cilt:29, Sayı:1, 2000.
ARSLAN, M., “A Tipi Yatırım Fonlarında Yöneticilerin Zamanlama Kabiliyeti ve
Performans ĠliĢkisi Analizi: 2002-2005 Dönemi Bir Uygulama”, Gazi Üni.
Ticaret ve Turizm Eğitim Fak. Der., Sayı 2, 2005.
BEYAZIT, M. F., “ĠMKB Betaları, Korelasyon Tahmini ve DeğiĢkenlik”, Doğuş
Üniversitesi Dergisi, 6 (1), 2005.
CHOEY, M. ve A. S. WEIGEND, “Nonlinear Trading Models Through Sharpe Ratio
Maximization”, Working Paper, Decision Technologies for Financial
Engineering, 1997.
ÇELEBĠ, M., “Genetik Algoritma ile Yağlı Bir Trafonun Maliyet Optimizasyonu”,
C.B.Ü. Fen Bilimleri Der., 3.1., 2007.
DEMĠRTAġ, Ö. ve Z. GÜNGÖR, “Portföy Yönetimi ve Portföy Seçimine Yönelik
Uygulama”, Havacılık ve Uzay Teknolojileri Dergisi, Cilt 1, Sayı 4, Temmuz
2004.
DRAKE, A. E. ve R. E. MARKS, “Genetic Algorithms in Economics and Finance:
Forecasting Stock Market Prices and Foreign Exchange- A Review”, In Shu-
89
Heng Chen (Ed.) Genetic Algorithms and Genetic Programming in
Computational Finance, 2000.
EMEL, G. G. ve Ç. TAġKIN, “Genetik Algoritmalar ve Uygulama Alanları”, Uludağ
Üni. İİBF Dergisi, Cilt XXI, Sayı 1, 2002.
ENGĠN, O. ve A. FIĞLALI, “AkıĢ Tipi Çizelgeme Problemlerinin Genetik Algoritma
Yardımı ile Çözümünde Uygun Çaprazlama Operatörünün Belirlenmesi”, Doğuş
Üni. Dergisi, 2002/6.
ERDEM, O. A. ve E. UZUN, “Yapay Sinir Ağları ile Türkçe Times New Roman, Arial
ve Elyazısı Karakterleri Tanıma”, Gazi Üniv. Müh. Mim. Fak. Der., Cilt 20,
No 1, 2005.
ERDOĞAN, ġ. Z. ve M. TĠMOR, “A Data Mining Application in a Student Database”,
Journal of Aeronautics and Space Technologies, Vol. 2, N. 2, 2005.
FELDMAN, K. ve P. TRELEAVEN, “Intelligent Systems in Finance”, Applied
Mathematical Finance, Vol 1, No. 2, December, 1994.
FERNANDEZ, I. B., ZANAKĠS, S. H. ve S. WALCZAK, “ Knowledge Discovery
Techniques for Predicting Country Investment Risk”, Computers& Industrial
Engineering, No: 43, 2002.
GÜRSU, B. ve M. C. ĠNCE, “Genetik Algoritmalar ile Yüksek Gerilim Ġstasyonlarında
Optimum Topraklama Ağı Tasarımı”, Fırat Üni. Fen ve Müh. Bil. Der. , 19 (4),
2007.
GÜRSOY, C. T. ve Y. Ö. ERZURUMLU, Evaluation of Portfolio Performance of
Turkish Investment Funds, Doğuş Üni. Dergisi, 2001/4.
HORASANLI, M. ve N. FĠDAN, Portfolio Selection by Using Time Varying
Covariance Matrices, Journal of Economic and Social Research, 9(2), 2007.
ĠġÇĠ, Ö. ve S. KONUKOĞLU, “Genetik Algoritma YaklaĢımı ve Yöneylem
AraĢtırmasında Bir Uygulama”, Celal Bayar Üni. Yönetim ve Ekonomi
Dergisi, Cilt:10, S. 2.
KARACABEY, A., A., “Is Mean Variance Efficient Than MAD in Ġstanbul?”,
International Research Journal of Finance and Economics, Issue 3, 2006.
KIM, J. S., KIM, Y. C. ve K. Y. SHIN, “An Algorithm for Portfolio Optimization
Problem”, Informatica, Vol. 16, No.1, 2005.
KIRLI, M., “Halka Açık Olmayan ġirketlerde Sistematik Risk Ölçütü Beta Katsayısının
Tahmin Edilmesi”, Celal Bayar Üni., Yönetim ve Ekonomi Dergisi, Cilt:13,
Sayı:1.
KORKMAZ, T. ve H. UYGURTÜRK, “Türkiye‟deki Emeklilik Fonları ile Yatırım
Fonlarının Performans KarĢılaĢtırması ve Fon Yöneticilerinin Zamanlama
Yetenekleri”, Kocaeli Üni. SBE Dergisi (15), 2008.
90
LEINWEBER, D. J. ve R. D. ARNOTT, Quantitative and Computational Innovation in
Investment Management, The Journal of Portfolio Management, 1995, 21,
8-15.
MAHFOUD, S., MANI G. ve S. REIGEL, Nonlinear versus Linear Techniques for
Selecting Individual Stocks, Decision Technologies for Financial Engineering,
World Scientific, 1997, 65-75.
ÖZEKES, S., “Veri Madenciliği Modelleri ve Uygulama Alanları”, İstanbul Ticaret
Üni. Dergisi.
PEREIRA, R., “Genetic Algorithm Optimisation for Finance and Investment”, Latrobe
University School of Business Discussion Papers, 2000.
SAMANTA, G. P. ve S. BORDOLOI, “Predicting Stock Market- an Application of
Artificial Neurol Network Technique through Genetic Algorithm”, Finance
India, 19(1), 2005.
SARAÇ, T. ve F. ÖZÇELĠK, “Alternatif Rotaların Varlığında Üretim Hücrelerinin
Genetik Algoritma Kullanılarak OluĢturulması”, Endüstri Müh. Der., Cilt 17,
Sayı 4.
SEVĠL, G. ve M. ġEN, “Aktif Portföy Yönetimi Çerçevesinde Kâr Payı Verimi
Temeline Göre OluĢturulan Portföylerin Performansının Belirlenmesinde
Information Oranının Kullanımı: 1990 – 1998 ĠMKB Uygulaması”, İktisat,
İşletme Ve Finans Dergisi, Yıl: 16, S. 178, Ocak, 2001
SUBRAMANIAN, S., VENUGOPAL, M. S. ve U. S. RAO, “Usefulness of Genetıc
Algorithm Model for Dynamic Portfolio Selection”, Journal of Financial
Management and Analysis, 17(1), 2004.
TANER, A. T. ve K. KAYALIDERE, “1995-2000 Döneminde ĠMKB‟de Anomali
AraĢtırması”, Celal Bayar Üni. Yönetim ve Ekonomi Der., Cilt 9, Sayı 1-2,
2002.
TEKER, S., KARAKURUM, E. ve O. TAV, ”Yatırım Fonlarının Risk Odaklı
Performans Değerlemesi”, Doğuş Üni. Dergisi, 9 (1), 2008.
TURĞUT, P. ve A. ARSLAN, “Sürekli Bir KiriĢte Maksimum Momentlerin Genetik
Algoritmalar ile Belirlenmesi”, DEÜ Fen ve Müh. Der., Cilt 3, Sayı 3, 2001.
VARETTO, F., “Genetic Algorithms Applications in the Analysis of Insolvency Risk”,
Journal of Banking and Finance, 22, 1998, s. 1421-1439.
WIRTH, R. ve J. HIPP, “CRIPS-DM : Towards a Standard Process Model for Data
Mining”, In Proceedings of the 4th International Conference on the Practical
Applications of Knowledge Discovery and Data Mining, Manchester, UK,
2000.
YENĠAY, Ö., “An Overview of Genetic Algorithms”, Anadolu Üniversitesi Bilim ve
Teknoloji Dergisi, Cilt: 2, Sayı: 1, 2001.
91
YILDIZ, A., “A Tipi Yatırım Fonları Performanslarının ĠMKB ve Fon Endeksi Bazında
Değerlendirilmesi”, Muğla Üniversitesi SBE Dergisi, 2005, Sayı 14.
Tezler:
AKYOL, A. P., Doğrusal Olmayan Ekonometrik Modellerin Genetik Algoritma
Yaklaşımı ile Parametre Tahmini, Gazi Üni. SBE, YayımlanmamıĢ Yüksek
Lisans Tezi, Ankara, 2006.
ABDERREZAK, F., The Performance of Islamic Equity Funds A Comparison to
Conventional, Islamic and Ethical Benchmarks, Maastricht Uni., Master
Thesis, 2008.
COġKUN, A., Genetik Algoritma Kullanılarak Kimyasal Maddelerin Deriden
Geçiş Katsayılarının ve Molekül Yapılarının Bulunması, YayınlanmamıĢ
Doktora Tezi, Gazi Üni. , FBE, 2006.
GENEL, H., Genetik Algoritmalarla Portföy Optimizasyonu, YayınlanmamıĢ Yüksek
Lisans Tezi, Ankara Üni. , SBE, ĠĢletme Anabilim Dalı, Ankara, 2004.
KAYA, S., Operasyonel Sabit İş Çizelgeleme Problemlerinin Genetik Algoritma ile
Çözümü, YayınlanmamıĢ Yüksek Lisans Tezi, Selçuk Üni., FBE, 2006.
KOYUNCUGĠL, A. S., Bulanık Veri Madenciliği ve Sermaye Piyasalarına
Uygulanması, YayınlanmamıĢ Doktora Tezi Ankara Üni. , FBE, Ġstatistik
Anabilim Dalı, Ankara, 2006.
MOUSTAFA, Y., Portföy Yönetimi ve Finansal Varlık Fiyatlama Modelinde Risk
Getiri İlişkisi, YayınlanmamıĢ Yüksek Lisans Tezi, D.E.Ü. SBE ĠĢletme
Anabilim Dalı, 2007.
ÖZÇAKIR, F. C., Müşteri İşlemlerindeki Birlikteliklerin Belirlenmesinde Veri
Madenciliği Uygulaması, YayınlanmamıĢ Yüksek Lisans Tezi, Marmara Üni.
Fen Bil. Ens. , Ġstanbul, 2006.
TUĞ, E., Genetik Algoritmalar ile Tıbbi Veri Madenciliği, Selçuk Üni. FBE,
YayınlanmamıĢ Yüksek Lisans Tezi, Konya, 2005.
YAMAN, M., Genetik Algoritma ile Kardan Mili Tasarımı, YayınlanmamıĢ Yüksek
Lisans Tezi, Gazi Üni. FBE, 2007.
YILMAZ, E., Kütahya İlinde Sosyal Sınıfların Belirlenmesi ve Veri Madenciliği İle
Tüketici Profilinin Çıkarılmasına Yönelik Bir Uygulama, YayınlanmamıĢ
Yüksek Lisans Tezi, Dumlupınar Üni. Sosyal Bil. Ens. , Kütahya, 2006.
92
Diğer:
İnternet Kaynakları:
BAYKASOĞLU, A., Veri Madenciliği ve Çimento Sektöründe Bir Uygulama,
<http://ab.org.tr/ab05/tammetin/171.pdf>, (30.11.2007).
BOZDAĞ, N., ALTAN, ġ. ve S. DUMAN, Minimaks Portföy Modeli ile Markowitz
Ortalama-Varyans
Modelinin
Karşılaştırılması,
<http://www.ekonometridernegi.org/bildiriler/o24s1.pdf>, (30.10.2007).
DÖNMEZ, S. “Regresyon Analizi ve Genetik Algoritmanın Esasları”,
<http://yilmazeray.googlepages.com/selim_dergimakalesi.doc>, (15.08.2008).
Genetic
Server/Library,
Crossover,
<http://www.nd.com/products/genetic/crossover.htm>, (01.01.2008).
KAPLAN, P. D., Asset Allocation Models Using The Markowitz Approach,
<http://corporate.morningstar.com/ib/documents/MethodologyDocuments/I
BBAssociates/MarkowitzApproach.pdf>, (01.01.2008).
KAYA, E., BULUN, M. ve A. ARSLAN, Tıpta Veri Ambarları Oluşturma ve Veri
Madenciliği
Uygulamaları,
<http://ab.org.tr/ab03/tammetin/96.doc>,
(01.07.2008).
KURT, M. ve C. SEMETAY, Genetik Algoritma ve Uygulama Alanları,
<http://www.mmo.org.tr/muhendismakina/arsiv/2001/ekim/Genetik_Algorit
ma.htm>, (30.05.2008).
KÜÇÜKKOCAOĞLU, G., Portföy ve Performans Ölçümleri,
<http://www.baskent.edu.tr/~gurayk/investendeksmodelleri.pdf>,
(01.01.2008).
OKUYUCU, U., Genetik Algoritmalar,
<http://www.bilmuh.gyte.edu.tr/BIL523/presentations/ufuk/GenetikAlgorit
malarRapor.doc>, (01.01.2008).
ÖZGÜLBAġ, N. ve A. S. KOYUNCUGĠL, İMKB’de İşlem Gören KOBİ’lerin Veri
Madenciliği Karar Ağaçları Algoritmalarından Chaid ile Profillendirilmesi
ve Küreselleştirme Sürecinde Güçlü ve Zayıf Yönlerinin Belirlenmesi,
<http://www.finansbilim.com/ufs2006/Makaleler/IMKBDEISLEMGOREN.
pdf>, (01.01.2008).
ÖZMEN, ġ., İş Hayatı Veri Madenciliği İle İstatistik Uygulamalarını Yeniden
Keşfediyor, <http://idari.cu.edu.tr/sempozyum/bil38.htm>, (01.01.2008).
SMYTH, P., Breaking Out of the Black Box: Research Challenges in Data Mining,
<http://www.cs.cornell.edu/johannes/papers/dmkd2001papers/p2_smythe.pdf>,
(30.10.2008).
93
TATE, D. M. ve A. E. SMITH, Expected Allele Coverage and the Role of Mutation
in
Genetic
Algorithms,
http://reference.kfupm.edu.sa/content/e/x/expected_allele_coverage_and_the
_role_of_529189.pdf, (01.01.2008).
THEARLING,
K.,
An
Introduction
to
Data
<http://thearling.com/text/dmwhite/dmwhite.htm>, (15.08.2008).
Mining,
UYAN, M. ve T. ÇAY, Mekansal Uygulamalar için Veri Madenciliği Yaklaşımı,
<http://www.uzalcbs2008.org/pdf/77.pdf>, (01.10.2008).
YARALIOĞLU,K.,Veri Madenciliği,
<http://www.deu.edu.tr/userweb/k.yaralioglu/dosyalar/ver_mad.doc>, (31.11.2007).
Raporlar:
SEIFERT, J. W., Data Mining: An Overview, CRS Report for Congress, 2004.
94
EKLER
EK-1 Programa Ait Kodlar
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Text;
using System.Windows.Forms;
using System.Threading;
namespace HisseOptimizasyon
{
public partial class Form1 : Form
{
decimal[,] kromozomi;
decimal[,] kromozom;
decimal fitnesstoplam = new decimal();
int toplam = 0;
decimal optdeger = new decimal();
DataTable gidecek;
public Form1()
{
InitializeComponent();
}
private void button1_Click(object sender, EventArgs e)
{
toplam = 0;
dataGridView1.DataSource = null;
int dizisiniri = ((int)udhisseayi.Value * 2);
int altsinir = (int)udaltsinir.Value;
int ustsinir = (int)udustsinir.Value;
kromozomi = new decimal[100, (dizisiniri + 1)];
kromozom = new decimal[80, (dizisiniri + 1)];
genetic yeni = new genetic(dizisiniri+1,altsinir,ustsinir,cmbolcut.Text.Trim());
label6.Text = "BaĢlangıç Kromozomları OluĢturuluyor";
Application.DoEvents();
for (int i = 0; i < 100; i++)
{
95
decimal[,] donen=new decimal[1,(dizisiniri + 1)];
if (cmbolcut.Text != "Treynor")
donen = yeni.genolustur();
else
{
while (donen[0, dizisiniri] == 0)
{
donen = yeni.genolustur();
}
}
for (int j = 0; j <dizisiniri ;j += 2)
{
kromozomi[i, j] = donen[0,j];
kromozomi[i, j + 1] = donen[0, j+1];
}
kromozomi[i, dizisiniri] = donen[0, dizisiniri];
Thread.Sleep(50);
MessageBox.Show(i.ToString());
}
label6.Text = "Sıralama ĠĢlemi Yapılıyor";
Application.DoEvents();
yeni.sirala(kromozomi);
//Ģimdi ilk 20 eleman alinarak kromozom dizisine aktarilacak
for (int i = 0; i < 20; i++)
{
for (int j = 0; j < dizisiniri; j+=2)
{
kromozom[i, j] = kromozomi[i,j];
kromozom[i, j + 1] = kromozomi[i, j+1];
}
kromozom[i,dizisiniri] = kromozomi[i, dizisiniri];
}
if (textBox1.Text == "")
{
for (int i = 0; i < (int)uditerasyon.Value; i++)
{
toplam += 1;
fitnesstoplam = yeni.fitnesstoplam(kromozom);
yeni.RouletteSelection(kromozom, fitnesstoplam);
yeni.crossover(kromozom);
yeni.mutation(kromozom);
yeni.sirala(kromozom);
Array.Clear(kromozom, (dizisiniri + 1) * 20, kromozom.Length ((dizisiniri + 1) * 20));
label6.Text = toplam.ToString() + "." + " iterasyon";
96
Application.DoEvents();
}
}
else
{
while(kromozom[0,dizisiniri]<=optdeger)
{
toplam += 1;
fitnesstoplam = yeni.fitnesstoplam(kromozom);
yeni.RouletteSelection(kromozom, fitnesstoplam);
yeni.crossover(kromozom);
yeni.mutation(kromozom);
yeni.sirala(kromozom);
Array.Clear(kromozom, (dizisiniri + 1) * 20, kromozom.Length ((dizisiniri + 1) * 20));
label6.Text = toplam.ToString() + "." + " iterasyon";
Application.DoEvents();
if (toplam == 3000)
{
label6.Text = "Ġstenilen Sonuca UlaĢılamadı. Lütfen Tekrar Deneyiniz";
kromozom[0, dizisiniri] = optdeger;
break;
}
}
}
string[,] sonuc = yeni.isimolustur(kromozom);
DataTable dt = new DataTable("Sonuclar");
for (int i = 1; i <= dizisiniri+1; i++)
{
if (i % 2 == 1 && i!= (dizisiniri + 1))
dt.Columns.Add("Yüzde" + i.ToString(),
System.Type.GetType("System.String"));
if (i % 2 == 0 && i!= (dizisiniri + 1))
dt.Columns.Add("Hisse"+i.ToString() ,
System.Type.GetType("System.String"));
if(i==(dizisiniri+1))
dt.Columns.Add("Portföy Performansı",
System.Type.GetType("System.String"));
}
for (int i = 0; i < 20; i++)
{
DataRow dr = dt.NewRow();
97
for (int j = 0; j < (dizisiniri+1); j++)
{
dr[j] = sonuc[i,j];
}
dt.Rows.Add(dr);
}
dataGridView1.DataSource = dt;
gidecek = dt;
}
private void label1_Click(object sender, EventArgs e)
{
}
private void numericUpDown1_ValueChanged(object sender, EventArgs e)
{
}
private void dataGridView1_CellClick(object sender, DataGridViewCellEventArgs
e)
{
try
{
optdeger =
Convert.ToDecimal(dataGridView1.Rows[e.RowIndex].Cells[e.ColumnIndex].Value.T
oString());
textBox1.Text =
dataGridView1.Rows[e.RowIndex].Cells[e.ColumnIndex].Value.ToString();
}
catch (Exception ee)
{
}
}
private void button2_Click(object sender, EventArgs e)
{
Sonuc frm = new Sonuc(gidecek,(int)udhisseayi.Value);
frm.ShowDialog();
frm = null;
}
98
}
}
using System;
using System.Collections.Generic;
using System.Text;
using System.Data.SqlClient;
namespace HisseOptimizasyon
{
class genetic
{
private string[] hisseadi;
private decimal[] sharp;
private decimal[] beta;
private int[] rula;
private int[] rulb;
private decimal[,] kromozomcross;
private decimal[,] kromozommutation;
private int hisseadedi;
private int uzunlukdizi;
private int altsinirilk;
private int ustsinirilk;
private string secolcut;
public genetic(int diziuzun,int gelen,int gelen1,string olcut)
{
secolcut = olcut;
altsinirilk = gelen;
ustsinirilk = gelen1;
hisseadedi = (diziuzun - 1) / 2;
uzunlukdizi = diziuzun;
kromozomcross = new decimal[40, diziuzun];
kromozommutation = new decimal[40, diziuzun];
SqlConnection con = new SqlConnection(@"Data Source=TUNCAYPC\SQLEXPRESS;Initial Catalog=engin;User ID=sa;Password=q");
hisseadi = new string[122];
sharp = new decimal[122];
beta = new decimal[122];
try
{
con.Open();
string sorgu = "";
99
if(olcut=="Sharp")
sorgu="select menkulkodu,sharp from sharporan order by menkulkodu";
if(olcut=="Treynor")
sorgu="select menkulkodu,sharp,beta from sharporan order by
menkulkodu";
if(olcut=="Jensen")
sorgu="select menkulkodu,sharp,beta from sharporan order by
menkulkodu";
SqlCommand cmd = new SqlCommand(sorgu,con);
SqlDataReader dr = cmd.ExecuteReader();
int sayi = 0;
while (dr.Read())
{
hisseadi[sayi] = dr.GetString(0);
sharp[sayi] = dr.GetDecimal(1);
if (olcut == "Treynor" || olcut=="Jensen")
beta[sayi] = dr.GetDecimal(2);
sayi++;
}
dr.Close();
con.Close();
}
catch (Exception e)
{
con.Close();
System.Windows.Forms.MessageBox.Show(e.Message);
}
}
public int[] rulaogren
{
get
{
return rula;
}
set
{
rula = value;
}
}
public int[] rulbogren
{
get
{
100
return rulb;
}
set
{
rulb = value;
}
}
public int[] yuzdeolustur(int hissesay,int altsinir,int ustsinir)
{
int[] dizi = new int[hissesay];
Random rnd = new Random();
int toplam = 0;
int ara = 0;
int sayi = 0;
int deger = 0;
bool oldu = false;
int stoplam = 0;
for (int i = 0; i < hissesay; i++)
{
dizi[i] = rnd.Next(altsinir, rnd.Next(altsinir + 1, ustsinir + 2));
toplam += dizi[i];
}
ara = toplam - 100;
if (ara == -1)
{
while (oldu == false)
{
deger = rnd.Next(0, hissesay);
if (dizi[deger] + 1 <= ustsinir)
{
dizi[deger] += 1;
oldu = true;
}
}
}
else if (ara < -1)
{
bool araoldu = false;
while (oldu == false)
{
if (ara <= -ustsinir)
sayi = rnd.Next(0, 10);
else
sayi = rnd.Next(0, 10);
deger = rnd.Next(0, hissesay);
101
if (ara == -1)
{
while (araoldu == false)
{
deger = rnd.Next(0, hissesay);
if (dizi[deger] + 1 <= ustsinir)
{
dizi[deger] += 1;
araoldu = true;
}
}
ara = 0;
}
if (ara != 0)
{
if (dizi[deger] + sayi <= ustsinir && toplam + sayi <= 100 && ara + sayi
<= 0)
{
dizi[deger] += sayi;
ara += sayi;
toplam += sayi;
}
}
if (toplam == 100 || ara == 0)
oldu = true;
}
}
else if (ara == 1)
{
while (oldu == false)
{
deger = rnd.Next(0, hissesay);
if (dizi[deger] - 1 >= altsinir)
{
dizi[deger] -= 1;
oldu = true;
}
}
}
else if (ara > 1)
{
102
bool araoldu = false;
while (oldu == false)
{
if (ara <= ustsinir)
sayi = rnd.Next(0, 10);
else
sayi = rnd.Next(0, 10);
deger = rnd.Next(0, hissesay);
if (ara == 1)
{
while (araoldu == false)
{
deger = rnd.Next(0, hissesay);
if (dizi[deger] - 1 >= altsinir)
{
dizi[deger] -= 1;
araoldu = true;
}
}
ara = 0;
}
if (ara != 0)
{
if (dizi[deger] - sayi >= altsinir && toplam - sayi >= 100 && ara - sayi
>= 0)
{
dizi[deger] -= sayi;
ara -= sayi;
toplam -= sayi;
}
}
if (toplam == 100 || ara == 0)
oldu = true;
}
}
return dizi;
}
public int[] hisseolustur(int hsay)
{
int[] dizi = new int[hsay];
Random rnd = new Random();
bool buldu = false;
int sonuc = 0;
103
int sayi = 0;
for (int i = 0; i < hsay; i++)
{
sayi = rnd.Next(1, 123);
buldu = false;
while (buldu == false)
{
sayi = rnd.Next(1, 123);
sonuc = Array.IndexOf(dizi, sayi);
if (sonuc == -1)
{
dizi[i] = sayi;
buldu = true;
}
}
}
return dizi;
}
public double GetAverage(double[] data)
{
int len = data.Length;
if (len == 0)
throw new Exception("No data");
double sum = 0;
for (int i = 0; i < data.Length; i++)
sum += data[i];
return sum / len;
}
public double GetVariance(double[] data)
{
int len = data.Length;
// Get average
double avg = GetAverage(data);
double sum = 0;
for (int i = 0; i < data.Length; i++)
sum += Math.Pow((data[i] - avg), 2);
return sum / len;
}
public double GetStdev(double[] data)
{
return Math.Sqrt(GetVariance(data));
}
104
public decimal[,] genolustur()
{
decimal[,] dizi = new decimal[1, uzunlukdizi];
int[] yuzde=yuzdeolustur(hisseadedi,altsinirilk,ustsinirilk);
int[] hisseler = hisseolustur(hisseadedi);
double[] ecirhesap = new double[hisseadedi];
int artis=0;
decimal toplam = 0;
decimal betatoplam = 0;
for (int i = 0; i < (uzunlukdizi-1); i+=2)
{
dizi[0, i] = yuzde[artis];
dizi[0, i + 1] = hisseler[artis];
toplam += (sharp[hisseler[artis] - 1]/100) * yuzde[artis]/100;
if(secolcut=="Sharp")
ecirhesap[artis] = (double)(sharp[hisseler[artis] - 1]/100);
if(secolcut=="Treynor")
betatoplam += (beta[hisseler[artis] - 1] * yuzde[artis] / 100);
if (secolcut == "Jensen")
betatoplam += (beta[hisseler[artis] - 1] * yuzde[artis] / 100);
artis++;
}
decimal shp=new decimal();
if (secolcut == "Sharp")
{
shp = (toplam - (decimal)(3.65 / 100)) / (decimal)GetStdev(ecirhesap);
dizi[0, (uzunlukdizi - 1)] = shp;
}
if (secolcut == "Treynor")
shp = (toplam - (decimal)(3.65 / 100)) / betatoplam;
decimal arasonuc = new decimal();
if (secolcut == "Treynor" && betatoplam > 0 && shp > 0)
{
if (arasonuc < toplam)
dizi[0, (uzunlukdizi - 1)] = shp;
}
if (secolcut == "Treynor" && betatoplam < 0 && shp < 0)
{
arasonuc = (decimal)(3.65 / 100) + betatoplam * ((decimal)(3.54 - 3.65) /
100);
if(arasonuc<toplam)
dizi[0, (uzunlukdizi - 1)] = shp;
}
105
if (secolcut == "Jensen")
{
shp = (toplam - (decimal)(3.65 / 100)) - (betatoplam * (decimal)((3.55 - 3.65) /
100));
dizi[0, (uzunlukdizi - 1)] = shp;
}
return dizi;
}
public void sirala(decimal[,] gelen)
{
decimal[,] gecici = new decimal[1, gelen.GetLength(1)];
for (int i = 0; i < gelen.GetLength(0); i++)
{
for (int j = i; j < gelen.GetLength(0); j++)
{
if (gelen[j, gelen.GetLength(1) - 1] > gelen[i, gelen.GetLength(1) - 1])
{
for (int k = 0; k < gelen.GetLength(1); k++)
{
gecici[0, k] = gelen[i, k];
}
for (int k = 0; k < gelen.GetLength(1); k++)
{
gelen[i, k] = gelen[j, k];
}
for (int k = 0; k < gelen.GetLength(1); k++)
{
gelen[j, k] = gecici[0, k];
}
}
}
}
}
public decimal fitnesstoplam(decimal[,] gelen)
{
decimal sumfitness = new decimal();
for (int i = 0; i < 20; i++)
sumfitness += Math.Abs(gelen[i, (uzunlukdizi-1)]);
return sumfitness;
}
public void RouletteSelection(decimal[,] gelenkromozom,decimal toplamfitness)
{
106
decimal[] olasiliklar = new decimal[20];
decimal[,] gecici = new decimal[20, 2];
rula = new int[20];
rulb = new int[20];
Random rnd = new Random(DateTime.Now.Millisecond);
for (int i = 0; i < 20; i++)
olasiliklar[i] = Math.Abs(gelenkromozom[i, (uzunlukdizi-1)]) / toplamfitness;
for (int i = 0; i < 20; i++)
{
for (int j = 0; j < 20; j++)
{
gecici[j, 1] = rnd.Next() * olasiliklar[j] * 1000;
gecici[j, 0] = j;
}
sirala(gecici);
rula[i] = (int)gecici[0, 0];
}
Array.Clear(gecici, 0, gecici.Length);
for (int i = 0; i < 20; i++)
{
for (int j = 0; j < 20; j++)
{
gecici[j, 1] = rnd.Next() * olasiliklar[j] * 1000;
gecici[j, 0] = j;
}
sirala(gecici);
rulb[i] = (int)gecici[0, 0];
}
}
private decimal fitnesshesapla(decimal[,] gelen,int satir)
{
decimal sonuc = new decimal();
decimal toplam = new decimal();
double[] ecirhesap = new double[hisseadedi];
decimal betatoplam = 0;
int artis = 0;
for (int i = 1; i < (uzunlukdizi - 1); i += 2)
{
toplam += (sharp[(int)gelen[satir, i] - 1] / 100) * gelen[satir, i - 1] / 100;
if (secolcut == "Sharp")
ecirhesap[artis] = (double)(sharp[(int)gelen[satir, i] - 1] / 100);
107
if (secolcut == "Treynor" || secolcut=="Jensen")
betatoplam += (beta[(int)gelen[satir, i] - 1] * gelen[satir, i - 1] / 100);
artis++;
}
if (secolcut == "Sharp")
sonuc = (toplam - (decimal)(3.65 / 100)) / (decimal)GetStdev(ecirhesap);
if (secolcut == "Treynor")
sonuc = (toplam - (decimal)(3.65 / 100)) / betatoplam;
if (secolcut == "Jensen")
sonuc = (toplam - (decimal)(3.65 / 100)) - (betatoplam * (decimal)((3.55 3.65) / 100));
return sonuc;
}
public void crossover(decimal[,] gelenkromozom)
{
int secilen=-1;
bool oldu = false;
int var, var1;
Random rnd = new Random(DateTime.Now.Millisecond);
int satir = 0;
for (int i = 0; i < 20; i++)
{
oldu = false;
while(oldu==false)
{
secilen = rnd.Next(0,(uzunlukdizi-1)/2)*2+1;
var = 0; var1 = 0;
for (int k = 1; k < (uzunlukdizi-1); k+=2)
{
if (gelenkromozom[rula[i], secilen] == gelenkromozom[rulb[i], k] &&
k!=secilen)
{
var = 1;
break;
}
}
for (int k = 1; k <(uzunlukdizi-1); k += 2)
{
if (gelenkromozom[rulb[i], secilen] == gelenkromozom[rula[i], k] && k
!= secilen)
{
var1 = 1;
break;
108
}
}
if (var == 0 & var1 == 0)
oldu = true;
}
for (int j = 0; j <(uzunlukdizi-1); j ++)
{
if (j != secilen)
{
kromozomcross[satir, j] = gelenkromozom[rula[i], j];
kromozomcross[satir + 1, j] = gelenkromozom[rulb[i], j];
}
else
{
kromozomcross[satir, j] = gelenkromozom[rulb[i], j];
kromozomcross[satir + 1, j] = gelenkromozom[rula[i], j];
}
}
kromozomcross[satir,(uzunlukdizi-1)]=fitnesshesapla(kromozomcross,satir);
kromozomcross[satir + 1, (uzunlukdizi-1)] = fitnesshesapla(kromozomcross,
satir+1);
satir += 2;
}
for (int i = 0; i < 40; i++)
{
for (int j = 0; j <= (uzunlukdizi-1); j++)
{
gelenkromozom[20 + i, j] = kromozomcross[i, j];
}
}
Array.Clear(kromozomcross, 0, kromozomcross.Length);
Array.Clear(rula, 0, rula.Length);
Array.Clear(rulb, 0, rulb.Length);
}
public void mutation(decimal[,] gelenkromozom)
{
int secilen = -1, var=-1;
Random rnd = new Random(DateTime.Now.Millisecond);
int sayi = -1;
for (int i = 0; i < 20; i++)
{
secilen = rnd.Next(0, (uzunlukdizi - 1) / 2) * 2 + 1;
bool oldu = false;
while (oldu == false)
109
{
sayi = rnd.Next(1, 123);
var = 0;
for (int k = 1; k < (uzunlukdizi-1); k += 2)
{
if (gelenkromozom[i, k] ==sayi )
{
var = 1;
break;
}
}
if (var == 0)
oldu = true;
}
for (int j = 0; j <(uzunlukdizi-1); j++)
{
if (j != secilen)
kromozommutation[i, j] = gelenkromozom[i, j];
else
kromozommutation[i, j] = sayi;
}
kromozommutation[i, (uzunlukdizi-1)] = fitnesshesapla(kromozommutation,
i);
}
for (int i = 0; i < 20; i++)
{
for (int j = 0; j <= (uzunlukdizi-1); j++)
{
gelenkromozom[60 + i, j] = kromozommutation[i, j];
}
}
Array.Clear(kromozommutation, 0, kromozommutation.Length);
}
public string[,] isimolustur(decimal[,] gelen)
{
string[,] sonucdizi=new string[20,uzunlukdizi];
for (int i = 0; i < 20; i++)
{
for (int j = 0; j <= (uzunlukdizi - 1); j++)
{
if (j % 2 == 1 && j != (uzunlukdizi - 1))
sonucdizi[i, j] = hisseadi[(int)gelen[i, j]-1];
else
sonucdizi[i, j] = gelen[i, j].ToString();
110
}
}
return sonucdizi;
}
}
}
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Text;
using System.Windows.Forms;
using System.Data.SqlClient;
namespace HisseOptimizasyon
{
public partial class Sonuc : Form
{
DataTable dt;
int hissesay;
public Sonuc(DataTable gelen,int gelen1)
{
InitializeComponent();
dt = gelen;
hissesay = gelen1;
}
private void Sonuc_Load(object sender, EventArgs e)
{
DataSet ds = new DataSet();
SqlDataAdapter da = new SqlDataAdapter("Select menkulkodu,sharp from
sharporan order by menkulkodu",sqlConnection1);
da.Fill(ds);
DataTable sonuc = new DataTable("Sonucson");
sonuc.Columns.Add("Hisse_Kodu", System.Type.GetType("System.String"));
sonuc.Columns.Add("Payi", System.Type.GetType("System.String"));
sonuc.Columns.Add("Getirisi", System.Type.GetType("System.String"));
int say = 0;
double gergetiri = new double();
for (int i = 0; i < hissesay; i++)
111
{
DataRow dr = sonuc.NewRow();
dr[1] = dt.Rows[0][say];
dr[0] = dt.Rows[0][say + 1];
DataRow[] getiri = ds.Tables[0].Select("menkulkodu='"+dr[0].ToString()+"'");
dr[2] = getiri[0][1];
sonuc.Rows.Add(dr);
gergetiri += (Convert.ToDouble(dr[1].ToString()) / (double)100) *
(Convert.ToDouble(dr[2].ToString()) / (double)100);
say = say + 2;
}
textBox1.Text = dt.Rows[0][hissesay * 2].ToString();
textBox2.Text=gergetiri.ToString();
dataGridView1.DataSource = sonuc;
}
}
}
112
EK-2 1995 – 2008 Bankaların Yıllık Ortalama Mevduat Faizi Oranları (Risksiz
Faiz Oranları)
FAİZ ORANLARI
YILLAR (%)
1995
92
1996
95
1997
84
1998
94
1999
93
2000
44
2001
71
2002
50
2003
39
2004
23
2005
18
2006
18
2007
18
2008
18
113
EK-3 Portföylere Seçilebilecek Hisse Senetlerinin ve İMKB 100 Bileşik Endeksinin
1995 – 2007/06 Dönemindeki Aylık Ortalama Getiri Oranları ve Beta Katsayları
Hisse
Senedi
ABANA
ADANA
ADNAC
AFYON
AKALT
AKBNK
AKIPD
AKSA
ALARK
ALCAR
ALTIN
ANACM
ARCLK
ASELS
ASLAN
ATLAS
AYCES
AYGAZ
BAGFS
BEKO
BOLUC
BRISA
BRSAN
BUCIM
BURCE
CELHA
CEMTS
CIMSA
CMENT
DARDL
DENCM
DEVA
DITAS
DOGUB
DOHOL
DOKTS
ECILC
ECZYT
EDIP
EGEEN
Aylık Ortalama Getiri
(%)
1.9048
4.4919
3.165
3.7872
2.21
4.1635
1.8986
2.2985
2.9441
3.1548
2.9603
3.5984
3.5531
3.9215
3.9928
3.3199
3.676
4.0698
3.3691
2.8123
3.7715
3.4806
3.1061
3.8737
2.9553
2.6535
3.3018
4.0797
2.9143
0.8814
2.2953
3.5434
3.4298
1.8738
4.0436
3.6933
3.9361
3.8083
2.6107
3.8576
Beta
-10.1496
-10.1932
-6.11754
3.076416
11.59601
3.34792
5.664295
8.704862
3.264614
2.541046
7.025327
-1.00626
-3.11064
3.101769
3.531954
4.970329
-0.64688
-2.65329
2.496778
1.712317
-4.93501
5.712982
16.64291
-3.12507
-5.09358
-7.3366
-1.75448
1.865224
8.104801
5.267257
9.045968
-8.05343
10.38207
-2.09472
16.0365
4.980545
1.187954
3.502518
0.894176
11.93301
114
EGGUB
EGPRO
EGSER
EPLAS
EREGL
FENIS
FFKRL
FINBN
FMIZP
FROTO
GARAN
GENTS
GOODY
GUBRF
GUSGR
HEKTS
HURGZ
IHLAS
INTEM
ISCTR
IZMDC
IZOCM
KARTN
KAVPA
KCHOL
KENT
KERVT
KLBMO
KONYA
KORDS
KRTEK
KUTPO
LUKSK
MAALT
MAKTK
MERKO
MIGRS
MIPAZ
MMART
MRDIN
MRSHL
MUTLU
NETAS
NTHOL
NTTUR
OKANT
3.433
4.614
1.6451
2.3833
3.8689
3.0546
4.1541
4.6872
3.7502
4.5457
4.116
3.5595
2.7195
2.8734
3.6349
3.2239
4.1814
1.3597
2.8863
4.6917
2.7616
4.24
3.0629
2.23
3.1898
4.0796
2.0663
1.458
3.4057
3.3016
2.4564
2.3801
2.7182
3.5744
-0.0191
1.3256
4.1999
3.1522
3.062
4.7578
3.1627
3.1551
1.8792
2.0313
2.7189
0.5231
-1.48652
18.65042
5.658744
0.553578
-0.81169
11.91389
2.331676
4.170357
-8.4379
8.220326
-2.02611
-1.95627
4.676282
9.728431
5.928517
-6.54874
5.912387
10.31311
13.3488
-4.10641
-3.68528
-3.22579
9.722346
-1.10127
-6.17378
-7.11746
18.09729
17.60575
-4.49423
8.989504
-3.81958
3.61668
-6.49552
10.71556
-1.20471
4.403352
8.073742
12.62876
24.64414
-5.42824
-0.64934
2.198519
9.822739
13.01267
8.848508
-12.6157
115
OLMKS
PARSN
PETKM
PIMAS
PINSU
PKENT
PNSUT
PRKAB
PTOFS
SARKY
SISE
SNPAM
SONME
TATKS
TBORG
TEKST
THYAO
TIRE
TKBNK
TOASO
TRKCM
TRNSK
TSKB
TUDDF
TUKAS
TUPRS
UCAK
UNYEC
USAK
VAKFN
VESTL
VKFYT
VKING
YKBNK
YKFIN
YUNSA
İMKB 100
2.9691
4.0042
2.6323
3.0572
4.0516
3.0642
4.6485
2.6499
3.4227
2.9842
3.8109
2.6881
2.7697
2.0306
2.2247
3.5768
2.3883
3.2871
2.5121
2.7489
3.9348
0.5227
3.5788
3.3119
1.4026
4.2703
3.6967
4.1532
1.2815
1.9214
3.0349
2.6716
2.7973
4.1388
3.2436
2.6112
3.54
11.9228
13.24526
-2.57152
14.84728
9.648883
5.646546
4.24614
11.836
-21.0064
2.479058
-0.54594
18.8161
-2.6784
4.260032
16.67367
-2.46995
-13.4862
3.9767
-12.039
9.058074
12.13936
3.791742
-2.4268
4.086205
-27.2242
5.665421
2.395181
5.14911
-2.61782
-1.08671
-5.99478
-17.6239
-2.46459
-3.77885
-18.7175
7.114505
1
116
EK-4 Portföylere Seçilen Hisse Senetlerinin ve İMKB 100 Bileşik Endeksinin
2007/07 – 2008/12 Dönemindeki Aylık Ortalama Getiri Oranları ve Beta Katsayları
Hisse
Senedi
ADANA
ADNAC
AFYON
AKBNK
ALCAR
ANACM
ASELS
ASLAN
ATLAS
AYGAZ
BAGFS
BOLUC
BRISA
BRSAN
BUCIM
CELHA
CIMSA
CMENT
DEVA
DITAS
DOGUB
DOHOL
ECILC
ECZYT
EGEEN
EGPRO
EREGL
FFKRL
FINBN
FMIZP
FROTO
GARAN
GENTS
GUSGR
HEKTS
HURGZ
INTEM
ISCTR
IZOCM
KAVPA
Aylık
Ortalama
Getiri (%)
-5.84
-4.49
-5.2
-2.13
-5.04
-3.97
-3.98
-0.54
-4.8
-3.72
2.42
-4.61
-3.85
-2.65
-2.32
-0.76
-5.07
-2.46
-4.73
-3.62
-3.48
-5.1
-4.27
-4.28
-5.71
-4.35
-1.8
-6.36
-1.25
-2.3
-5.08
-2.96
-3.08
-2.4
-3.27
-4.83
-3.93
-2.06
-3.34
-0.69
Beta
0.842919
-0.041041
0.059310
1.4222000
0.069240
0.002411
-0.015032
0.808760
-0.216176
0.801868
-0.348014
0.141440
0.593755
0.595524
0.158170
0.281233
1.184842
0.021808
0.056505
0.109021
0.780318
0.841850
-0.052615
0.523828
0.903315
0.629941
-0.271970
1.388672
0.477667
0.127897
0.810197
1.374330
0.093050
-0.178697
-0.266558
3.700727
-0.026986
1,174,791
0.649564
-0.226199
117
KCHOL
KENT
KONYA
KORDSA
MAALT
MIGRS
MIPAZ
MMART
MRDIN
MUTLU
PARSN
PETKM
PIMAS
PINSU
PKENT
PNSUT
PTOFS
SISE
SNPAM
SONME
TEKST
TIRE
TRKCM
TSKB
TUDDF
TUPRS
UCAK
UNYEC
USAK
VESTL
VKFYT
VKING
YKBNK
YKFIN
İMKB 100
-3.04
-3.06
-2.48
-5.54
-6.81
-2.41
-8.83
-6.74
-2.58
-5.23
-6.3
-3.61
-3.81
-4.98
-0.18
-4.2
-3.11
-4.31
-7.47
-8.23
-7.82
-1.64
-5.67
-3.11
-6.4
-3.03
-4.07
-5.04
-7.17
-7
-4.16
-9.47
-1.82
-5.13
-3.07
-0.014456
0.732770
0.045273
0.102483
-0.216966
0.372760
-0.043842
0.933759
0.679708
0.091755
1.027155
0.152801
0.281732
0.659222
0.062314
1.022234
1.018054
0.105201
1.138848
-0.009778
-0.147560
-0.005413
0.988603
0.060518
0.578059
0.790548
0.048384
0.769525
0.104816
1.113515
-0.212994
-0.128890
1.188603
0.718996
1
118
ÖZGEÇMİŞ
Kişisel Bilgiler:
Adı ve Soyadı: Engin KÜÇÜKSİLLE
Doğum Yeri: ISPARTA
Doğum Yılı: 1978
Medeni Hali: BEKAR
Eğitim Durumu:
Lise: Isparta Anadolu Lisesi
1989-1995
Lisans: İstanbul Üniversitesi İşletme Fakültesi (İng.) 1996-2001
Yüksek Lisans: S.D.Ü. SBE. İşletme Anabilim Dalı 2002-2004
Yabancı Diller:
İngilizce (İleri Düzey)
İş Deneyimi
Bilimsel Yayınlar ve Çalışmalar
Download